急性膵炎における感染性膵壊死の機械学習モデルおよび特徴量選択による予測

科学分野:

• 医療情報学
• 医療における機械学習
• 集中治療医学

背景:

• 感染性膵壊死（IPN）は急性膵炎（AP）の重篤な合併症であり、有意な死亡リスクをもたらします。
• IPNの早期かつ正確な予測は、依然として重要な臨床的課題です。
• 既存の予測方法は、解釈可能性が欠けていることが多く、臨床的な信頼と応用を妨げています。

研究 の 目的:

• 個々のIPNリスクを予測するための解釈可能な機械学習モデルを開発し、外部検証すること。
• 急性膵炎患者の早期リスク層別化を強化すること。
• IPNの発症に関連する主要な臨床的予測因子を特定すること。

主な方法:

• 728人のAP患者の後ろ向き分析、および166人の患者での外部検証。
• 埋め込み特徴量選択（正則化線形およびツリーベースのアルゴリズム）を使用した解釈可能な機械学習モデルの開発。
• ネストされたクロスバリデーション、AUC、適合率-再現率曲線、ブライアースコア、および説明可能性のためのSHAPを使用したモデルパフォーマンスの評価。

主要な成果:

• ランダムフォレストモデルは、外部AUC 0.764で優れたパフォーマンスを示しました。
• IPNリスク増加の主要な予測因子には、フィブリノーゲン、APACHE IIスコア、Dダイマー、IL-6、およびC反応性タンパク質が含まれていました。
• リンパ球数およびヘマトクリット値が高いことは、IPNに対する保護因子として特定されました。

結論:

• 解釈可能なランダムフォレストモデルは、IPN予測のための堅牢な識別力とキャリブレーションを提供します。
• このモデルは、AP患者における早期IPNリスク層別化のための透明性の高いデータ駆動型フレームワークを提供します。
• 臨床実装前の前向き多施設検証が推奨されます。