機械学習ベースのノモグラムモデルの開発と検証,LASSO回帰と急性腹部における早期性麻痺リスクを予測するための複数の評価方法を統合する
Lili Du1,2, Li Song3, Chao Gao4
1Department of Clinical Laboratory, Huangshi Central Hospital, Affiliated of Hubei Polytechnic University, Guilin North Road, No 16, Huangshi, Hubei, 435003, People's Republic of China.
European journal of medical research
|February 21, 2026
まとめ
この研究では,急性腹腔炎患者のセプシスリスクを予測するための機械学習ノモグラムを開発し,早期介入のためのAKIやショックのような主要な予測要因を特定しました. このモデルは高い精度を示し,臨床意思決定を支援し,患者の治療結果を改善しています.
科学分野:
- クリティカルケア医療は,重症治療薬です.
- 医療における機械学習
- セプシスの予測モデリング
背景:
- 急性腹部に二次的な敗血症は,死亡率を大幅に高めます.
- 現在のバイオマーカーとスコアリングシステムは,早期のセプシスの予測に限界があります.
- 早期の介入は,セプシスのアウトカムを改善するために極めて重要です.
研究 の 目的:
- 急性腹部疾患の患者のセプシスリスクを予測するための機械学習ベースのノモグラムの開発および検証.
- この患者集団におけるセプシス発症の独立した危険因子を特定する.
主な方法:
- 10倍クロス検証によるLASSO回帰を用いて,臨床データと研究室データから予測値を選択した.
- 特定された変数を使用してノモグラムを構築し,AUC-ROC,Hosmer-Lemeshowテスト,DCA,CICを使用してそのパフォーマンスを検証しました.
- 383人の患者をランダムにトレーニング (70%) と検証 (30%) のセットに分けました.
主要な成果:
- 6つの独立した予測要因が特定されました:AKI,ショック,TCO2,ハイポアルブミン血症,上昇したNLR,リンパ細胞減少症.
- ノモグラムは優れた差別性 (AUC 0.929 訓練,0.934 検証) と強力な校正性を示した.
- 決定曲線分析 (DCA) と臨床インパクト曲線 (CIC) は,重要な臨床的有用性を確認しました.
結論:
- 検証されたノモグラムは,急性腹腔炎の患者でセプシスのリスクを効果的に予測します.
- このモデルの優れたパフォーマンスは,早期のリスク層分化に使用することを支持しています.
- このツールは,セプシスの管理のための臨床的意思決定支援を強化する可能性があります.
