病棟における臨床的悪化の治療推奨：機械学習モデルの開発と検証

科学分野:

• 臨床情報学;ヘルスケアにおける人工知能;患者モニタリング

背景:

• 一般病棟患者の臨床的悪化は、罹患率と死亡率の増加につながります。;早期介入は、ハイリスク患者の転帰を改善するために不可欠です。;機械学習（ML）は、悪化リスクの特定において有望ですが、治療推奨のガイドにおいてはそれほど有望ではありません。

研究 の 目的:

• 10の一般的な臨床的悪化介入を予測するためのMLパフォーマンスベンチマークを確立する。;これらの予測タスクに最適なアプローチを特定するために、さまざまなMLモデルを比較する。

主な方法:

• 早期警告スコアによって特定された臨床的悪化を伴う2480の一般病棟患者遭遇の多施設データセットを利用しました。;ゴールドスタンダードの救命治療データを使用して遭遇にラベルを付けるために、手動のカルテレビューを採用しました。;AUROCを主要な指標として使用して、介入ニーズを予測するために、複数のMLモデル（弾性ネットロジスティック回帰、勾配ブースティングマシン、長短期記憶、スタッキングアンサンブル）をトレーニングおよび検証しました。

主要な成果:

• モデルのパフォーマンスはタスクとアプローチによって異なり、AUROCは一般的に0.7から0.9の範囲でした。;抗不整脈薬は最も予測可能な介入（平均AUROC 0.866）でしたが、抗凝固薬は最も予測可能性が低い（平均AUROC 0.660）でした。;勾配ブースティングマシンは個別に最高のパフォーマンスを発揮することが多く、スタッキングアンサンブルは個々のモデルのパフォーマンスに匹敵するかそれを超えました。

結論:

• MLモデルは、悪化する患者の救命治療を予測する上で、変動的ではあるが一般的に高いパフォーマンスを示します。;これらのモデルは、早期警告スコアと統合して、臨床医にタイムリーで実行可能な治療推奨を提供できます。;評価された患者のかなりの割合が適時の治療を受けておらず、MLが治療遅延を削減する機会があることを示しています。