デュアルオントロジー強化型臨床意思決定学習による初回入院死亡率予測

科学分野:

• ヘルスケアにおける人工知能
• 臨床情報学
• 生物医学データサイエンス

背景:

• 電子カルテ（EHR）に対する深層学習は、予測医療タスクにおいて優れた性能を発揮します。
• 初回入院患者の死亡率予測は、患者の過去のデータが不足しているため困難です。
• MIMIC-IIIおよびMIMIC-IVの患者の相当な割合は、単一の受診記録しか持たず、しばしばICUに直接入院します。

研究 の 目的:

• 過去の受診歴がない患者の死亡率を予測するための効果的なモデルを開発すること。
• 臨床知識を活用して、初回入院患者の早期死亡率予測を改善すること。
• 初期受診時の重症患者の転帰予測におけるデータ不足という課題に対処すること。

主な方法:

• デュアルオントロジー強化型臨床意思決定学習（DOCD）モデルを提案しました。
• 診断および処置の分類体系から階層表現を抽出するために、デュアルオントロジー学習を利用しました。
• 知識統合のために、確率ベースの正則化を備えた事前知識誘導型注意メカニズムを実装しました。
• 人口統計学的データ、バイタルサイン、および知識強化型医療コードを組み合わせるために、情報融合を採用しました。

主要な成果:

• DOCDは、MIMIC-III（AUROC：0.9528、AUPRC：0.8971）およびMIMIC-IV（AUROC：0.9817、AUPRC：0.8857）データセットで優れたパフォーマンスを達成しました。
• 初回入院死亡率予測における既存のベースラインモデルと比較して、大幅な改善を示しました。
• 確立された臨床知識と一致する解釈可能な視覚化を提供しました。

結論:

• DOCDは、患者の病歴が限られている場合の死亡率予測という課題に効果的に対処します。
• 臨床知識の統合は、予測精度と解釈可能性を高めます。
• DOCDは、クリティカルケア設定におけるタイムリーな介入と患者転帰の改善のための有望なアプローチを提供します。