術後亜急性期脳卒中患者における低栄養の予測のための解釈可能な機械学習ベースの予測モデル：内部および外部検証研究

科学分野:

• 医療情報学
• ヘルスケアにおける機械学習
• 栄養科学

背景:

• 低栄養は、亜急性期リハビリテーション中の脳卒中患者に蔓延しており、死亡率と有害事象を増加させる。
• この集団における低栄養リスクを予測するための既存のツールは限られている。
• 効果的な介入のためには、低栄養リスクの早期特定が重要である。

研究 の 目的:

• 亜急性期リハビリテーションを受けている脳卒中患者における低栄養リスクを予測するための、解釈可能な機械学習（ML）モデルを開発および検証すること。
• 早期の低栄養リスク層別化のための臨床的に実行可能なツールを作成すること。
• 適時な栄養介入を通じて患者の転帰を改善すること。

主な方法:

• 開発（n=802）および外部検証（n=345）コホートを含む多施設共同研究。
• LASSO回帰およびBorutaアルゴリズムを使用した特徴選択。
• 交差検証およびAUC、キャリブレーション曲線、DCAなどの指標を使用した、CatBoost（CAT）を含む8つのMLモデルのトレーニングと評価。
• SHAP分析を使用した解釈可能性の評価。

主要な成果:

• CATアルゴリズムは、AUC 0.848（開発）および0.772（外部検証）で優れたパフォーマンスを示した。
• モデルはDCAを通じて良好なキャリブレーションと臨床的有用性を示した。
• SHAP分析により、年齢、握力、バーセル指数（BI）スコアが低栄養の主要な予測因子であることが特定された。

結論:

• 亜急性期脳卒中患者における低栄養リスクスクリーニングのために、解釈可能なMLモデル（CATベース）が正常に開発および検証された。
• このモデルは、早期リスク層別化のための臨床的に実行可能なツールを提供する。
• これにより、標的を絞った栄養介入と個別化されたリハビリテーションが可能になり、患者の転帰が向上する可能性がある。