文献

J-GLOBAL ID：202102269029611295   整理番号：21A0288760

早期重度敗血症予測のための機械学習アルゴリズムの検証:461米国病院からの多様なデータセットを用いた進行中の48時間までの重度敗血症を予測する後ろ向き研究【JST・京大機械翻訳】

Validation of a machine learning algorithm for early severe sepsis prediction: a retrospective study predicting severe sepsis up to 48 h in advance using a diverse dataset from 461 US hospitals

著者 (14件)： Burdick Hoyt (Cabell Huntington Hospital, Huntington, USA) ,  Burdick Hoyt (Marshall University School of Medicine, Huntington, USA) ,  Pino Eduardo (Cabell Huntington Hospital, Huntington, USA) ,  Pino Eduardo (Marshall University School of Medicine, Huntington, USA) ,  Gabel-Comeau Denise (Cabell Huntington Hospital, Huntington, USA) ,  Gu Carol (Dascena, Inc., San Francisco, USA) ,  Roberts Jonathan (Dascena, Inc., San Francisco, USA) ,  Le Sidney (Dascena, Inc., San Francisco, USA) ,  Slote Joseph (Dascena, Inc., San Francisco, USA) ,  Saber Nicholas (Dascena, Inc., San Francisco, USA) ,  Pellegrini Emily (Dascena, Inc., San Francisco, USA) ,  Green-Saxena Abigail (Dascena, Inc., San Francisco, USA) ,  Hoffman Jana (Dascena, Inc., San Francisco, USA) ,  Das Ritankar (Dascena, Inc., San Francisco, USA)
資料名： BMC Medical Informatics and Decision Making (Web)  (BMC Medical Informatics and Decision Making (Web))
巻： 20  号： 1  ページ： 1-10  発行年： 2020年 
JST資料番号： U7433A  ISSN： 1472-6947  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： 重症敗血症および敗血症性ショックは,米国における死亡の主な原因であり,敗血症は診断および治療に対する最も高価な条件の一つである。正確な早期診断と治療は,有害患者転帰のリスクを減らすことができるが,従来の規則ベースのスクリーニング法の有効性は限られている。本研究の目的は,多様な患者データセットを用いて発症前48時間までの重症敗血症予測のための機械学習アルゴリズム(MLA)を開発し,検証することであった。方法:2001年~2017年に収集した,2001年~2017年に収集された,非同定電子健康記録から成るデータセット,および2001年から2015年の間に収集された461人の健康センターからの緊急事件,および地域病院から2017年に収集された20,647人の入院患者および緊急事件について,遡及的分析を行った。MLA性能を,一般的に使用される疾患重症度スコアリングシステムと比較し,重症敗血症発症の0,4,6,12,24および48時間後に評価した。270,438人の患者を分析に含めた。発症時に,MLAは,試験データセットで0.931(95%CI 0.914,0.948)のAUROCと53.105の診断オッズ比(DOR)を示し,MEWS(0.725,P<0.001;DOR 4.358),SOFA(0.716;P<0.001;DOR 3.720)とSIRS(0.655;P<0.001;DOR 3.290)を超えていた。発症前の48時間の予測では,MLAは試験データセットで0.827(95%CI0.806,0.848)のAUROCを達成した。外部検証データセットにおいて,MLAは発症時に0.948(95%CI 0.942,0.954)のAUROCを達成し,発症前48時間で0.752を達成した。MLAは,既存の患者電子健康記録から抽出されるすぐに利用可能なバイタルサインのみを用いて,前もって48時間まで重度の敗血症発症を予測する。臨床診療に対する関連する含意は,早期重症敗血症検出と治療からの患者転帰の改善を含む。Copyright 2021 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： *敗血症 ,  有効性 ,  スクリーニング ,  保健所 ,  早期診断 ,  敗血症性ショック ,  *学習アルゴリズム ,  電子カルテ ,  病歴 ,  *細菌感染症
準シソーラス用語： 後向き研究 ,  スコアリングシステム ,  *重症敗血症 ,  試験データ ,  重症度 ,  遡及的解析 , 【Automatic Indexing@JST】

著者キーワード (4件)： 機械学習アルゴリズム ,  Sepsis予測 ,  重症敗血症 ,  診断

分類 (4件)： 感染症・寄生虫症一般  (GD01010H) ,  応急処置  (GC03014I) ,  感染症・寄生虫症の診断  (GD01020S) ,  感染症・寄生虫症の治療  (GD01030D)

引用文献 (60件)：

• Lancet.; Global, regional, and national sepsis incidence and mortality, 1990-2017: analysis for the Global Burden of Disease Study; KE Rudd, SC Johnson, KM Agesa; 395; 10219; 2020; 200-11; 10.1016/S0140-6736(19)32989-7; citation_id=CR1
• Gaieski DF, Edwards JM, Kallan MJ, Carr BG. Benchmarking the incidence and mortality of severe sepsis in the United States. Crit Care Med. 2013;41(5):1167-74.https://doi.org/10.1097/CCM.0b013e31827c09f8.
• Torio CM, Celeste M, and Andrews RM. National inpatient hospital costs: the most expensive conditions by payer, 2011. (2013).
• PLoS ONE; Effect of performance improvement on compliance with sepsis bundles and mortality: a systematic review and meta-analysis of observational studies; E Damiani, A Donati, G Serafini; 10; 5; 2015; 1-24; citation_id=CR4
• J Intensive Care Med; Early diagnosis and evidence-based care of surgical sepsis; L Moore, F Moore; 28; 2; 2013; 107-117; 10.1177/0885066611408690; citation_id=CR5

タイトルに関連する用語 (10件)： 早期 ,  重度敗血症 ,  予測 ,  機械学習 ,  アルゴリズム ,  検証 ,  米国 ,  病院 ,  データセット ,  研究