急性肝不全における入院死亡率を予測するための機械学習モデルの開発と外部検証
Xuanlin Wu1, Qingzhou Song2, Delin Li2
1Department of Breast Surgery, Guangxi Medical University Cancer Hospital, Nanning 530021, Guangxi Zhuang Autonomous Region, China.
まとめ
この研究では,急性肝不全 (ALF) 患者の死亡率を予測する機械学習モデルを開発しました. このモデルは,早期のリスク分層化と,より良い患者の結果のための臨床意思決定のサポートを提供します.
科学分野:
- 医療情報工学 医療情報工学
- 医療における機械学習
- クリティカルケア・メディシン
背景:
- 急性肝不全 (ALF) は,正確なリスク評価を必要とする重大な脅威です.
- 現在,ALFの予後ツールには,十分な正確性と広範な適用性が欠けている.
- 先進的な予測モデルの開発は,ALFの適切な介入に不可欠です.
研究 の 目的:
- ALF患者の入院死亡率を予測するための機械学習 (ML) フレームワークの作成と検証.
- 病院環境における早期の,ダイナミックなリスクの階層化を可能にする.
- 急性肝不全管理のための臨床的意思決定を強化する.
主な方法:
- モデル開発と検証のために,MIMIC-IVと外部コホートからのデータを活用した.
- LASSO回帰とBorutaアルゴリズムを使用した11の主要な予測要因を選択しました.
- 7つのMLモデルをトレーニングし,最適化し,差別,校正,意思決定曲線分析によるパフォーマンスを評価し,SHAPで解釈しやすくしました.
主要な成果:
- ロジスティック回帰は,AUC 0.802 (内部) と 0.774 (外部) との強いパフォーマンスを示しました.
- SHAPによって特定された主要な予測要因には,体温,血管圧縮剤の使用,年齢,CRRT,鎮静剤/鎮痛剤の使用が含まれます.
- パーソナライズされたリスク予測のためのノモグラムとオンラインツールを開発し,臨床的有用性を実証しました.
結論:
- ALFの死亡率を予測するための解釈可能な,外部で検証されたMLモデルが開発されました.
- このモデルは,早期のリスク層分化と臨床サポートのための実用的なツールとして機能します.
- このフレームワークは,急性肝不全の症例におけるダイナミックな評価と情報に基づいた治療決定を促進します.
