局所的周術期リスク予測における新しいポータブル標準としての表形式基盤モデル

科学分野:

• 医療における人工知能;手術成績研究;医療情報学

背景:

• 周術期リスク層別化は、しばしば地域固有であり、正確な術前評価のためのグローバルインフラストラクチャが限られています。;大規模な合成データセットで訓練された基盤モデルは、ドメイン固有のリスク予測の可能性を提供します。;緊急手術における局所的リスク層別化のための表形式基盤モデルの有用性を評価することは重要です。

研究 の 目的:

• 緊急手術における局所的リスク層別化の改善における、Transformerベースの表形式基盤モデルの役割を評価すること。;ロジスティック回帰や勾配ブースティングなどの従来の予測手法と比較して、基盤モデルのパフォーマンスを評価すること。;データが限られているものを含む、多様なサイト固有のコホートにおけるモデルの有効性を判断すること。

主な方法:

• Transformerベースの表形式基盤モデルを、American College of Surgeons National Surgical Quality Improvement Programデータベースからの施設データに適用しました。;パフォーマンスをロジスティック回帰およびXGBoostモデルと比較しました。;比較には、全体的なパフォーマンス、サイト固有のコホート（n=5）、および単一サイト対マルチサイトデータで訓練されたモデルが含まれました。;評価された主要なアウトカムは、30日間の死亡率および罹患率でした。

主要な成果:

• 表形式基盤モデルは、30日間の罹患率および死亡率予測において優れたパフォーマンスを示し、受信者操作特性曲線（0.82-0.89）および適合率-再現率曲線（0.35-0.68）の下面積が大きくなりました。;従来のモデルと比較して、Brierスコア（0.04-0.15）が低く、優れたキャリブレーションを示しました。;その高いパフォーマンスは、小規模なサイト固有のデータセットでも維持され、単一サイトで訓練されたモデルは、マルチサイトで訓練された従来のモデルと同等のパフォーマンスを示しました。

結論:

• 表形式基盤モデルは、高性能な周術期リスク層別化へのアクセスを向上させることができます。;このポータブルなアプローチは、欠損データを効果的に処理し、小規模なデータセットでも強力な比較パフォーマンスを示します。;基盤モデルは、世界中の緊急手術における術前リスク評価を改善するための有望な道を提供します。