抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
医療集中治療室(MICU)における迅速な医療介入には,患者悪化の警報が必須である。ロジスティック回帰(LR)は,MICUにおける死亡率のリスクを予想するために,ほとんどの従来の重症度スコアリングシステムの開発に用いられてきた。確率的グラフィカルモデルおよび極端勾配ブースティング(XGB)のような機械学習(ML)モデルは,LRと比較して患者転帰における予測精度の改善を実証した。目的は,MICU死亡率の予測のために,SAPS III,SOFA,シリアルSOFA,LODS,およびOASISに対する3つのMLモデルを比較することであった。Bayesネットワーク(BN),Naive Bayesネットワーク(NB),およびXGBモデルを開発した。MIMIC-IIIデータベースからの9893の成人MICU-staysを研究した。一次転帰はMICU死亡率予測であり,二次転帰は1年死亡率予測であった。分析したデータは,MICU,人口統計学的および診断/進行特徴で5時間の間に採取したルーチンの生理学的測定から成った。性能を,精度統計,識別およびキャリブレーション測定によって評価した。研究の限界を議論した。MICU死亡率予測のためのAUROCは,XGBで0.919,BNで0.905,NBで0.864であり,一方,従来のシステムは,最良の値(0.814)を有する連続SOFAではるかに低い値を示した。診断オッズ比は,すべての従来システムに対して≦7.099であり,XGBに対して30.115,BNに対して22.648に達した。XGBは0.831の感度と0.86の特異性を許容精度(0.528)で達成し,その値は従来のシステムに対して非常に低かった。Brierスコアは,NB(0.119)を除き,MLモデルに対して良好であり,XGBに対しては0.072,BNに対しては0.081であった。XGBおよびBNは,識別,較正および精度統計に対して,従来のシステムを実質的に凌駕した。NBは,XGBとBNに対して劣った性能を示したが,劣ったキャリブレーションと1年死亡率識別を除いて,従来のシステムの識別とすべての精度統計を改善した。XGBは全てのモデルの中で最良の性能を示した。これらのMLモデルはMICU患者のモニタリングを改善する可能性があり,将来の研究で評価する必要がある。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】