機械学習モデルで外科重症病棟再入院を予測する: バイセンタートレーニングと検証

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:

• 外科重症病棟 (SICU) の再入院は,高い死亡率とコストに関連しています.
• SICUの再入院リスクの予測は,積極的な患者管理に不可欠です.
• 正確な予測モデルを開発することで,患者の治療結果とリソースの配置を向上させることができます.

研究 の 目的:

• SICUの再入院を予測するための機械学習 (ML) モデルを開発および検証.
• 伝統的な方法に対する様々なMLアルゴリズムのパフォーマンスを比較する.
• SICUの再入院に関連する主要な臨床的要因を特定する.

主な方法:

• 2つの病院の支部の電子医療記録の遡及的分析.
• ロジスティック・リグレッション,ランダム・フォレスト,グラデント・ブースト,人工神経ネットワーク,サポート・ベクトル・マシンを含むMLモデルの開発と内部検証.
• 伝統的なロジスティック回帰方法に対する最高のパフォーマンスのモデルの外部検証.

主要な成果:

• Gradient Boosting (GB) モデルは,内部検証でAUROC 0.82で優れたパフォーマンスを示しました.
• SICUでの再入院の主要な予測要因には,中枢静脈カテーテルの使用,ICU前の入院期間,血中尿素窒素,カルバペネムの使用が含まれていました.
• GBモデルは,外部検証コホートにおける従来のロジスティック回帰法よりも優れたパフォーマンスを示しました.

結論:

• 機械学習モデル,特にグラディエントブースティングは,SICUの再入院を予測するために,より高い正確性と信頼性を提供します.
• MLモデルは,高リスクの患者を特定するための貴重なツールであり,ターゲットを絞った介入を可能にします.
• この発見は,重症病棟患者の管理のための臨床実践にMLを統合することを支持しています.