文献

J-GLOBAL ID：202002232193773994   整理番号：20A2755124

機械学習モデルを用いた臨床転帰の救急部門トリアージ予測【JST・京大機械翻訳】

Emergency department triage prediction of clinical outcomes using machine learning models

著者 (7件)： Raita Yoshihiko (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA) ,  Goto Tadahiro (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA) ,  Goto Tadahiro (Graduate School of Medical Sciences, The University of Fukui, Fukui, Japan) ,  Faridi Mohammad Kamal (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA) ,  Brown David F. M. (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA) ,  Camargo Carlos A. (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA) ,  Hasegawa Kohei (Department of Emergency Medicine, Massachusetts General Hospital, Harvard Medical School, Boston, USA)
資料名： Critical Care (Web)  (Critical Care (Web))
巻： 23  号： 1  ページ： 1-13  発行年： 2019年 
JST資料番号： U7474A  ISSN： 1364-8535  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 安定患者から極めて不良を鑑別し,優先する救急部門(ED)トリアージシステムの開発は,困難なままである。臨床結果を予測するために機械学習モデルを使用し,次に,従来のアプローチ,緊急重症度指数(ESI)の性能と比較した。方法:2007年から2015年までの国立病院および救急医療調査(NHAMCS)EDデータを用いて,著者らは全成人患者(年齢≧18歳)を同定した。ランダムにサンプリングされた訓練セット(70%)において,予測子として日常的に利用可能なトリアージデータ(例えば,人口統計学,トリアージバイタルサイン,主訴,共存症)を用いて,著者らは4つの機械学習モデル:Lasso回帰,ランダムフォレスト,勾配ブーストディシジョンツリー,および深層ニューラルネットワークを開発した。参照モデルとして,5レベルのESIデータを用いてロジスティック回帰モデルを構築した。臨床転帰は,クリティカルケア(集中治療室または院内死亡)および入院(直接入院または移動)であった。試験セット(残りの30%)では,各モデルに対する受信者動作特性曲線(AUC)と正味利益(決定曲線)下の面積を含む予測性能を測定した。135,470人の適格ED訪問のうち,2.1%はクリティカルケア転帰を有し,16.2%は入院転帰を有していた。クリティカルケア転帰予測において,すべての4つの機械学習モデルは基準モデル(例えばAUC,0.86[95%CI 0.85-0.87]を基準モデル)に優し,ESIトリアージレベル3から5(非緊急)のより少ない過少年患者において,参照モデルにおいて0.74[95%CI 0.72-0.75]であった。”参照モデル”において,参照モデル(例えば,AUC,0.86[95%CI 0.85-0.87])を凌駕した。同様に,入院結果予測において,すべての機械学習モデルは,参照モデル(例えば,AUC,0.82[95%CI0.82~0.83])を,ESIトリアージレベル1から3(緊急事態)でより少ない過少年数で,参照モデル(例えば,AUC,0.82[95%CI0.82~0.83])を凌駕した。決定曲線解析において,すべての機械学習モデルは,臨床閾値の範囲にわたって,過剰トリアージとのトレードオフを考慮して,より大きな正味利益を常に達成した。従来のアプローチと比較して,機械学習モデルは,クリティカルケアと入院結果を予測する優れた性能を示した。現代の機械学習モデルの適用は,臨床医のトリアージ意思決定を強化し,それによって,より良い臨床治療と最適な資源利用を達成する。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  死亡率 ,  規範モデル ,  ICU【医療】 ,  *機械学習 ,  *トリアージ
準シソーラス用語： ROC曲線 ,  救命救急診療 ,  人口統計学 ,  救急医療 ,  予測子 ,  臨床医 ,  ランダムフォレスト ,  ロジスティック回帰モデル ,  重症度 , 【Automatic Indexing@JST】

著者キーワード (9件)： トリアージ ,  救急部門 ,  予測 ,  機械学習 ,  死亡率 ,  救命救急 ,  入院 ,  病院移転 ,  決定曲線解析

分類 (2件)： 医用情報処理  (JE15030Q) ,  応急処置  (GC03014I)

引用文献 (51件)：

• HCUPnet.https://hcupnet.ahrq.govAccessed 28 Nov 2018.
• Emergency department wait times, crowding and access. American College of Emergency Physicians News Room.http://newsroom.acep.org/2009-01-04-emergency-department-wait-times-crowding-and-access-fact-sheetAccessed 1 Dec 2018.
• Ann Emerg Med; Effect of emergency department crowding on outcomes of admitted patients; BC Sun, RY Hsia, RE Weiss, D Zingmond, L-J Liang, W Han; 61; 6; 2013; 605-611.e6; 10.1016/j.annemergmed.2012.10.026; citation_id=CR3
• Am J Emerg Med; The impact of ED crowding on early interventions and mortality in patients with severe sepsis; DF Gaieski, AK Agarwal, ME Mikkelsen, B Drumheller, S Cham Sante, FS Shofer; 35; 7; 2017; 953-960; 10.1016/j.ajem.2017.01.061; citation_id=CR4
• Ann Surg; Patterns of errors contributing to trauma mortality; RL Gruen, GJ Jurkovich, LK McIntyre, HM Foy, RV Maier; 244; 3; 2006; 371-380; citation_id=CR5

タイトルに関連する用語 (6件)： 機械学習 ,  モデル ,  臨床転帰 ,  部門 ,  トリアージ ,  予測