文献

J-GLOBAL ID：201702213792074552   整理番号：17A1971858

アンサンブル学習アプローチを用いた集中治療室患者の早期院内死亡率予測【Powered by NICT】

Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach

著者 (5件)： Awad Aya (University of Portsmouth, Buckingham Building, Lion Terrace, Portsmouth PO1 3HE, UK) ,  Bader-El-Den Mohamed (University of Portsmouth, Buckingham Building, Lion Terrace, Portsmouth PO1 3HE, UK) ,  McNicholas James (University of Portsmouth, Buckingham Building, Lion Terrace, Portsmouth PO1 3HE, UK) ,  McNicholas James (Queen Alexandra Hospital, Portsmouth Hospitals NHS Trust, UK) ,  Briggs Jim (University of Portsmouth, Buckingham Building, Lion Terrace, Portsmouth PO1 3HE, UK)
資料名： International Journal of Medical Informatics  (International Journal of Medical Informatics)
巻： 108  ページ： 185-195  発行年： 2017年 
JST資料番号： D0729A  ISSN： 1386-5056  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アイルランド (IRL)  言語： 英語 (EN)

抄録/ポイント： 入院患者の死亡率予測は重要な問題である。過去数十年にわたって,幾つかの重症度スコアリングシステムと機械学習死亡率予測モデルは,院内死亡率を予測するために開発した。対照的に,集中治療室患者の早期死亡率予測がオープン課題として残る。多くの研究は,ICU入室後24または48時間で疾患スコアリングシステムの重症度またはリスク評価のために設計されたデータマイニング(DM)モデルに焦点を当てた。本研究はICU患者の早期死亡率予測における主要データ挑戦を強調し,集中治療室患者(EMPICU)の早期死亡率予測のための新しい機械学習に基づくフレームワークを提案した。提案した方法は,集中治療II(MIMIC II)データベースにおける多重パラメーター知的モニタリングで評価した。死亡率予測モデルは医療集中治療室(MICU),外科集中治療室(SICU)または心臓手術回収装置(CSRU)の16またはそれ以上の年齢の患者のために開発された。アンサンブル学習ランダムフォレスト(RF),予測決定木(DT),確率的Naive Bayes(NB)とルールベース射影適応共鳴理論(PART)モデルを採用している。第一義的転帰は院内死亡率であった。説明変数は,人口統計学的,生理学的,バイタルサインと実験室試験の変数を含んでいた。性能測定はバイアスを最小化するための受信者動作特性曲線(AUROC)下で交差面積を用いて計算した。単一ICU入院した11,722人の患者を検討した。医療集中治療室(MICU),外科集中治療室(SICU)または心臓手術回収装置(CSRU)における16~才の年齢以上で患者のみがこの研究で考慮した。提案EMPICUフレームワークはAUROCと時間(すなわち入院後48時間以上に比較して6時間で)の観点から標準スコアリングシステム(SOFA,SAPS I,APACHE-II,ニュースとqSOFA)より優れていた。結果は,ICU入院時の最初の数時間で失われた多くの値であるが,入院の最初の6時間中の死亡率を効果的に予測するのに十分なシグナルであることを示した。提案フレームワーク,特にアンサンブル学習アプローチを用いた一次元EMPICUランダムフォレスト(EMPICU RF)はICU入院の初期時間で効果的かつ新規な死亡率予測モデルを構築するための基盤を提供し,改良された性能プロファイルを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 入院 ,  *患者 ,  データマイニング ,  バイアス ,  リスク評価 ,  *予測 ,  機械学習 ,  ディシジョンツリー ,  データベース ,  予測モデル ,  *ICU【医療】 ,  *死亡率
準シソーラス用語： *集中治療 ,  *院内死亡率 ,  *アンサンブル学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： Intensive Care ,  死亡率予測 ,  分類 ,  クラス不均衡 ,  ランダムフォレスト

分類 (1件)： 医用情報処理  (JE15030Q)

タイトルに関連する用語 (6件)： アンサンブル学習 ,  集中治療室 ,  患者 ,  早期 ,  院内死亡率 ,  予測