機械学習を用いた説明可能な患者リスク、ERAS遵守率、および術後転帰の評価

科学分野:

• 結腸直腸手術
• 手術成績
• 医療における機械学習

背景:

• 術後回復強化（ERAS）プロトコルは、結腸直腸手術の転帰を改善するために不可欠です。
• ERASプロトコルへの遵守率のばらつきと患者固有のリスク因子は、手術転帰に影響を与える可能性があります。
• 従来の遵守率の指標は、ERAS遵守率と患者リスクの相互作用を分析するための詳細さに欠けています。

研究 の 目的:

• 解釈可能な機械学習を用いて、個々のERASコンポーネントと臨床的要因が術後合併症に及ぼす影響を定量化すること。
• ERAS遵守率と臨床的特徴に基づいて、異なる患者表現型を特定すること。
• 結腸直腸手術におけるERAS戦略の最適化のためのデータ駆動型洞察を開発すること。

主な方法:

• 選択的結腸直腸手術を受けた成人患者2,841名を対象とした前向きEuroPOWERコホート（NCT04889798）の二次解析。
• 入院中の合併症を予測するために、Shapley Additive Explanations（SHAP）を用いた2つのExtreme Gradient Boostingモデルの開発と解釈。
• 患者表現型を導出するために、包括的なモデル（臨床変数+ERAS項目）からのSHAP行列のクラスタリング。

主要な成果:

• 包括的なモデルは良好な予測性能を示しました（AUC 0.627）。
• 患者の虚弱性、ASA分類、BMI、年齢、および早期動員や栄養管理などのERASコンポーネントが、合併症の重要な予測因子として特定されました。
• 3つの異なる患者表現型（健常、中間、虚弱）が特定され、合併症率（17.7%から41.1%）が異なりました。

結論:

• ERAS遵守の効果は、患者のベースラインの脆弱性とプロトコルの実施状況に影響されます。
• SHAPベースのモデルは、透明性の高いリスク評価を提供し、患者表現型の特定を可能にします。
• これらの発見は、個別化されたERAS戦略と手術ケアのための自動化された品質監視ツールの開発を支持します。