マルチタスク学習による重症患者の非蘇生決定の予測:MIMIC-IVデータベースの遡及的研究

科学分野:

• 医療情報工学 医療情報工学
• 医療における人工知能
• クリティカルケア・メディシン

背景:

• ドン・ノー・リ蘇生 (DNR) ステータスの正確な予測は,倫理的な終末期ケアと集中治療室 (ICU) での共同意思決定に不可欠です.
• 現存する方法は,適切なタイミングで介入するために必要な精度と解釈性が欠けている可能性があります.

研究 の 目的:

• ICU患者の24時間以内にDNRの決定を予測するための説明可能なマルチタスクラーニング (MTL) モデルの開発と検証.
• 予測モデルの統合を臨床ワークフローに強化し,終末期ケアに関する議論を支援する.

主な方法:

• MIMIC-IVデータベースを利用し,成人ICU患者7789人の3日以上の滞在でMTLモデルをトレーニングしました.
• 72時間のウィンドウで組み込まれた臨床パラメータと看護の評価.
• AUROC,キャリブレーションプロット,意思決定曲線を使用してモデルのパフォーマンスを評価し,SHAPとPDPで解釈できます.

主要な成果:

• MTLモデルは,シングルタスク学習 (0.764) と比較して,0.798の優れたAUROCを達成しました.
• 主な予測機能には,言語能力,呼吸器のサポート,筋肉の強さが含まれていました.
• 極度の呼吸需要と筋肉の弱さのあるサブグループを除外すると,AUROCは0.827.7に改善されました.

結論:

• 説明可能なMTLモデルは,重症患者のDNR決定を効果的に予測することができます.
• モデルの解釈可能性は,臨床的理解と信頼を助長する.
• このアプローチは,DNRの議論を容易にするために,ICUのケアにAI主導の洞察を統合する可能性を実証しています.