文献

J-GLOBAL ID：201902287155771743   整理番号：19A1256640

心臓患者における入院期間の予測因子:機械学習アプローチ【JST・京大機械翻訳】

Predictors of in-hospital length of stay among cardiac patients: A machine learning approach

著者 (9件)： Daghistani Tahani A. (King Abdullah International Medical Research Center, Riyadh, Saudi Arabia) ,  Elshawi Radwa (University of Tartu, Tartu, Estonia) ,  Sakr Sherif (King Saud bin Abdulaziz University for Health Sciences, Riyadh, Saudi Arabia) ,  Sakr Sherif (University of Tartu, Tartu, Estonia) ,  Ahmed Amjad M. (King Abdulaziz Cardiac Center, King Abdulaziz Medical city for National Guard, Riyadh, Saudi Arabia) ,  Al-Thwayee Abdullah (King Abdulaziz Cardiac Center, King Abdulaziz Medical city for National Guard, Riyadh, Saudi Arabia) ,  Al-Mallah Mouaz H. (King Abdullah International Medical Research Center, Riyadh, Saudi Arabia) ,  Al-Mallah Mouaz H. (King Saud bin Abdulaziz University for Health Sciences, Riyadh, Saudi Arabia) ,  Al-Mallah Mouaz H. (King Abdulaziz Cardiac Center, King Abdulaziz Medical city for National Guard, Riyadh, Saudi Arabia)
資料名： International Journal of Cardiology  (International Journal of Cardiology)
巻： 288  ページ： 140-147  発行年： 2019年 
JST資料番号： A1233A  ISSN： 0167-5273  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 入院期間(LOS)は,心血管疾患の複雑さが増加し,人口年齢が増加すると予想される。これは,特にベッド容量の減少とコストの増加の現状により,ヘルスケアシステムに影響を与える。したがって,LOSを正確に予測することは,健康管理計量にプラスの影響を及ぼす。本研究の目的は,心臓患者の院内LOSを予測するための機械学習ベースのモデルアプローチを開発することである。電子カルテを用いて,著者らは,成人心臓学サービスの下で入院した患者の訪問のすべての記録を遡及的に抽出した。選択基準を検証するために入院診断と一次治療医師をレビューした。予測機械学習ベースのモデルアプローチを適用して,LOSを予測するために入院時に単純なベースライン健康データを組み込んだ。患者は,それらのLOSに基づいて3つの群に分けられた:短い(<3日),中間(3~5日)および長い(>5日)。情報利得アルゴリズムを利用して,最も関連した属性を選択した。モデル構築において,ゼロ以上の情報利得を持つ属性のみを用いた。4つの異なる機械学習技術を評価し,それらの診断精度測度を比較した。本研究のデータセットは,King Abdulaziz Cardiacセンター(KACC)において2008~2016年に入院した成人患者を含んだ。中心はサウジアラビアの首都,RiyadhにおけるKing Abdulaziz医療都市複合体に位置している。2008年~2016年の間に,12769人のユニークな患者(平均年齢58.8±16歳,68.2%が男性)に対する合計16414人の連続入院患者が含まれていた。研究コホートには,心血管危険因子(高血圧56%,糖尿病56%,脂質異常52%,肥満33%および喫煙24%)の高い有病率があった。最も一般的な診断は急性冠症候群(36%)であった。院内LOSの予測に最も高い影響を及ぼす変数は,入院心拍数,入院収縮期および拡張期血圧,年齢および保険状態(適格性)であった。機械学習モデルを用い;ランダムフォレスト(RF)モデルは,他のすべてのモデル(感度(0.80),精度(0.80),およびAUROC(0.94))の間で実行した。機械学習法は心臓患者に対するLOSの正確な予測を提供することを示した。これは,臨床ベッド管理と資源配分に使用できる。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *入院期間 ,  健康管理 ,  ベッド ,  診断 ,  *機械学習 ,  肥満 ,  糖尿病 ,  母集団 ,  喫煙 ,  *予測 ,  *ヒト ,  アルゴリズム ,  *心臓 ,  医師 ,  成人
準シソーラス用語： 健康 , 【Automatic Indexing@JST】

著者キーワード (5件)： 心臓科学 ,  入院中の入院期間 ,  予測モデル ,  機械学習 ,  分類技術

分類 (4件)： 循環系疾患の治療一般  (GJ05010B) ,  循環系の疾患  (GJ03000C) ,  循環系疾患の外科療法  (GJ05030X) ,  循環系の臨床医学一般  (GJ01030V)

タイトルに関連する用語 (5件)： 心臓 ,  患者 ,  入院期間 ,  予測因子 ,  機械学習