くも膜下出血高齢患者における長期機能予後予測のための解釈可能な機械学習モデルの開発と検証

科学分野:

• 神経科学
• 医療情報学
• 機械学習

背景:

• くも膜下出血（aSAH）高齢患者の予後予測は、罹患率と死亡率が高いため困難である。
• 長期的な機能予後の正確な予測は、効果的な患者管理のために不可欠である。

研究 の 目的:

• 高齢のaSAH患者における12ヶ月の機能予後を予測するための、解釈可能な機械学習（ML）モデルを開発し、外部で検証すること。
• この患者集団における機能予後の主要な予測因子を特定すること。

主な方法:

• 426人の高齢のaSAH患者のデータを使用して、8つのMLモデルを開発および検証した。
• 特徴量選択にはロジスティック回帰とBorutaアルゴリズムを使用した。
• ROC/PR曲線とキャリブレーションプロットを使用してモデル性能を評価し、SHAP分析によって解釈可能性を評価した。

主要な成果:

• 多層パーセプトロン（MLP）モデルは、良好なキャリブレーションで高い性能（ROC-AUC 0.913内部、0.912外部）を達成した。主要な予測因子には、Hunt-Hessスケール、年齢、出血量、遅発性脳虚血（DCI）、および修正Fisherスケールが含まれる。SHAP分析により、個別化されたリスク解釈が可能になった。

結論:

• 高齢のaSAH患者における長期機能予後を予測するための、解釈可能なMLモデルを開発および検証することに成功した。
• モデルは一般化可能性と個別化された臨床的意思決定の可能性を示している。
• これらのツールは、神経集中治療の設定におけるリソース配分を最適化できる。