外傷敗血症患者における事前学習済み転移学習アルゴリズムに基づくMODSのリアルタイム動的警告方法

科学分野:

• クリティカルケア医学
• 医療情報学
• ヘルスケアにおける機械学習

背景:

• 多臓器不全症候群（MODS）は、外傷敗血症における予後不良の重大な合併症です。
• 外傷敗血症患者における早期かつ個別化されたリスク評価は、タイムリーな介入のために不可欠です。

研究 の 目的:

• 外傷敗血症におけるMODSの早期リスク評価のための、解釈可能で多施設で検証された予測モデルを開発すること。
• 個別化されたリスク層別化を可能にし、タイムリーな臨床ケアをガイドすること。

主な方法:

• モデル開発のためにMIMIC-IVおよびeICUデータセットを利用しました。
• 分離処理戦略を備えた事前学習済み転移学習モデルを採用しました。
• SHAP（SHapley Additive exPlanations）を使用してモデルの解釈可能性を評価しました。

主要な成果:

• 内部検証（700人の患者）および外部検証（110人の患者）により、堅牢なパフォーマンスが実証されました。
• 最適な事前学習済みモデルは、6時間、12時間、24時間の予測ウィンドウ全体で平均AUC 0.906を達成しました。
• 限定的な外傷敗血症データ（100例）でファインチューニングを行うと、事前学習されていないモデルを上回るAUC 0.846が得られました。

結論:

• 事前学習済みMODS予測モデルは、強力な識別力、一般化可能性、および解釈可能性を示します。
• モデルの移植性は、リスクの高い外傷敗血症患者の早期特定のための臨床的可能性をサポートします。
• 血小板数が外傷敗血症におけるMODSの重要な予測因子として浮上しました。