文献

J-GLOBAL ID：202202233873650593   整理番号：22A0794418

機械学習に基づくモデリングにより決定された小児重度外傷性脳損傷死亡率予測【JST・京大機械翻訳】

Pediatric severe traumatic brain injury mortality prediction determined with machine learning-based modeling

著者 (13件)： Daley Mark (Computer Science, Western University, London, ON N6A 3K7, Canada) ,  Daley Mark (The Vector Institute for Artificial Intelligence, Toronto, ON M5G 1M1, Canada) ,  Cameron Saoirse (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Ganesan Saptharishi Lalgudi (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Patel Maitray A. (Computer Science, Western University, London, ON N6A 3K7, Canada) ,  Stewart Tanya Charyk (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Stewart Tanya Charyk (Pathology and Laboratory Medicine, Schulich School of Medicine and Dentistry, Western University, London, ON N6A 3K7, Canada) ,  Miller Michael R. (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Alharfi Ibrahim (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Fraser Douglas D. (Pediatrics, Schulich School of Medicine & Dentistry, University of Western Ontario, London, ON N6A 3K7, Canada) ,  Fraser Douglas D. (Clinical Neurological Sciences, Schulich School of Medicine and Dentistry, Western University, London, ON N6A 3K7, Canada) ,  Fraser Douglas D. (Physiology and Pharmacology, Schulich School of Medicine and Dentistry, Western University, London, ON N6A 3K7, Canada) ,  Fraser Douglas D. (NeuroLytix Inc., Toronto, ON M5E 1J8, Canada)
資料名： Injury; British Journal of Accident Surgery  (Injury; British Journal of Accident Surgery)
巻： 53  号： 3  ページ： 992-998  発行年： 2022年 
JST資料番号： T0033A  ISSN： 0020-1383  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： 重症外傷性脳損傷(sTBI)は,子供の死亡率の主因である。臨床予後は最適治療と意思決定を導くのに重要であるので,著者らの目標は死亡率に対する高度に識別可能なsTBI転帰予測モデルを作成することであった。包括的小児sTBIデータベースから得られた患者入院変数に機械学習と先進的分析を適用した。sTBIによる3次小児集中治療室(PICU)に入院した196人の子供と青年からの人口統計学的および臨床データ,頭部CT画像異常および血液生化学データを,ランダム化決定木の森林の方法によって特徴ランキングを用いて統合し,そして,モデルを,結果を識別する最大能力を有する入院変数の減少数から作成した。全体で,36の入院変数を,sTBI後の死亡率に対する予測重要性を決定するために,可変重み付けによる特徴ランキングを用いて分析した。Borata特徴選択を利用する還元分析は,82%の死亡率分類精度を有する, par観的な6変数モデルをもたらした。死亡率を予測する最終入院変数は,部分トロンボプラスチン時間(22%);運動グラスゴーComaスケール(21%);血清グルコース(16%);固定瞳(s)(16%);血小板数(13%)とクレアチニン(12%)。これら6つの入院変数のみを用いて,t分布確率的最近傍埋込みアルゴリズムプロットは,全データセット(AUC=0.91;P<0.001)に関する従来の領域-曲線下面積統計アプローチで確認された検証データセット(AUC=0.90)に対するこのモデルの高い死亡率予測能力で,生存または死亡するsTBI患者の視覚分離を示した。機械学習ベースのモデリングは,82%の分類精度(AUC=0.90)で死亡率リスクを予測する優れた識別能力を有する小児sTBIのための,実用的で高性能な予後ツールをもたらす最も臨床的に重要な予後因子を同定した。外部多施設検証の後,著者らの予後モデルは,治療決定のガイド,治療の攻撃性,およびタイムリーな終末期議論と意思決定のための家族と介護者の準備を助けるかもしれない。III;予後。Copyright 2022 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： 視覚 ,  意思決定 ,  データベース ,  血清 ,  *死亡率 ,  特徴選択 ,  ディシジョンツリー ,  子供 ,  患者 ,  治療法 ,  予後 ,  t分布 ,  *機械学習 ,  予測モデル
準シソーラス用語： 予後因子 , 【Automatic Indexing@JST】

著者キーワード (5件)： 小児 ,  重症外傷性脳損傷 ,  機械学習 ,  死亡率 ,  予後モデリング

分類 (2件)： 神経系の疾患  (GN03000O) ,  外傷一般  (GD02010O)

タイトルに関連する用語 (6件)： 機械学習 ,  モデリング ,  小児 ,  外傷性脳損傷 ,  死亡率 ,  予測