機械学習を用いた頭蓋内動脈瘤破裂後の遅発性脳虚血の予測：末梢炎症マーカーの活用

科学分野:

• 神経学
• 計算生物学
• 生物統計学

背景:

• 遅発性脳虚血（DCI）は、頭蓋内動脈瘤破裂（aSAH）後の死亡および障害の主要な原因です。
• 全身性炎症はDCIの発症病理において重要な役割を果たし、末梢炎症マーカーは予測の可能性を示しています。
• 個々のバイオマーカーの予測力は限られており、機械学習のような統合的アプローチが必要とされています。

研究 の 目的:

• aSAH後のDCIリスクを予測するための機械学習（ML）モデルを開発および検証すること。
• 個別化されたリスク予測の改善のために、多様な炎症および臨床変数を統合すること。
• DCIリスクのための臨床的に解釈可能な術前意思決定支援ツールを作成すること。

主な方法:

• 562人のaSAH患者の後ろ向き分析。
• Borutaアルゴリズムを用いた特徴選択。
• 6つのMLモデル（ロジスティック回帰、ニューラルネットワーク、ランダムフォレスト、SVM、GBM、XGBoost）の開発と比較。
• AUC、感度、特異度、F1スコア、キャリブレーション曲線、およびDCAを用いたパフォーマンス評価。

主要な成果:

• ニューラルネットワークモデルが最高のパフォーマンスを達成しました（AUC 0.826 トレーニング、0.808 テスト）。
• 主要な予測因子には、グラスゴー・コーマ・スケール（GCS）、ハント・ヘス分類、修正フィッシャー分類、PNI、NAR、NLPR、CLR、およびプロカルシトニンが含まれていました。
• SHAP分析により、ハント・ヘス分類とプロカルシトニンが最も重要な寄与因子であることが特定されました。

結論:

• 日常的なデータを用いたaSAH後のDCIのための堅牢なMLベースのリスク予測ツールが開発されました。
• このモデルは、強力な識別およびキャリブレーションパフォーマンスを示しています。
• 臨床的翻訳のためには、さらなる前向き多施設共同検証が推奨されます。