院内心停止を生き延びた後の1年以内の再発性心停止の予測における機械学習モデルの使用

科学分野:

• 循環器病学
• 医療におけるデータサイエンス
• 予測分析

背景:

• 院内心停止（IHCA）生存者は、1年以内の死亡率が高いというリスクに直面しています。
• IHCA後のハイリスク患者の特定は、二次予防と生存率の向上にとって極めて重要です。
• 予測モデルは、IHCA生存者のリスク層別化に役立ちます。

研究 の 目的:

• IHCA生存者における1年以内の死亡率または再発性心停止を予測する機械学習モデルの有効性を評価すること。
• この患者集団における有害事象の主要な予測因子を特定すること。

主な方法:

• スウェーデン心肺蘇生登録（2010-2021）のデータを使用し、IHCA後に生存退院した18歳以上の患者を対象としました。
• IHCAデータ、併存疾患、社会経済的要因、および薬剤を組み込んだExtreme Gradient Boosting（XGBoost）モデルをトレーニングしました。
• Receiver Operating Characteristic Area Under the Curve（ROC-AUC）を用いてモデルのパフォーマンスを評価しました。

主要な成果:

• 研究には7302人のIHCA生存者が含まれ、そのうち22％が複合エンドポイントを経験しました。
• 1241個の変数を持つ最良のXGBoostモデルは、ROC-AUC 0.72（95％CI 0.70-0.75）を達成しました。
• IHCA前の血清クレアチニン、年齢、および市民状況が主要な予測因子であり、併存疾患と心停止の状況も有意でした。

結論:

• XGBoostモデルは、IHCA後の1年以内の再発性心停止または死亡を予測する上で、中程度ながら良好な精度を示しました。
• このモデルは、IHCA生存者のリスク評価において臨床応用される可能性を示しています。
• 臨床現場でのモデルの有用性を確認するためには、さらなる検証が推奨されます。