文献

J-GLOBAL ID：202202268343011614   整理番号：22A0751610

機械学習アルゴリズムに基づく集中治療室におけるSepsis関連血小板減少症リスクの予測モデル【JST・京大機械翻訳】

Prediction Models for Sepsis-Associated Thrombocytopenia Risk in Intensive Care Units Based on a Machine Learning Algorithm

著者 (4件)： Jiang Xuandong (Intensive Care Unit, Dongyang Hospital of Wenzhou Medical University, Jinhua, China) ,  Wang Yun (Intensive Care Unit, Dongyang Hospital of Wenzhou Medical University, Jinhua, China) ,  Pan Yuting (Intensive Care Unit, Dongyang Hospital of Wenzhou Medical University, Jinhua, China) ,  Zhang Weimin (Intensive Care Unit, Dongyang Hospital of Wenzhou Medical University, Jinhua, China)
資料名： Frontiers in Medicine (Web)  (Frontiers in Medicine (Web))
巻： 9  ページ： 837382  発行年： 2022年 
JST資料番号： U7079A  ISSN： 2296-858X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： Sepsis関連血小板減少症(SAT)は集中治療室(ICU)における一般的合併症であり,死亡率を有意に上昇させ,疾患の予後不良につながる。機械学習(ML)は重症患者における疾患予測に広く用いられている。ここでは,4つの一般的なMLアルゴリズムに基づく敗血症のICU患者における血小板減少および重度の血小板減少に対する予測モデルを確立し,最良の予測モデルを同定した。調査対象は,2015年1月1日から10月31日までのWenzhou医科大学に入院したDongyang人民病院に入院した1,455人のICU敗血症患者であった。基本的な臨床人口統計学的情報,生化学指標,および臨床転帰を記録した。予測モデルは,ランダムフォレスト,ニューラルネットワーク,勾配ブースティングマシン,およびBayesアルゴリズムという4つのMLアルゴリズムに基づいた。血小板減少症は,732人の患者(49.7%)で生じた。ICU滞在の機械換気時間と長さは長く,死亡率は血小板減少症群で非血小板減少群より高かった。モデルをオンライン国際データベース(集中治療IIIのためのMedical Information Mart)で検証した。血小板減少症の予測のための4つのモデルの受信者動作特性曲線(AUC)の下の領域は,0.54と0.72の間にあった。重症血小板減少症の予測に対するモデルのAUCは0.70と0.77の間であった。ニューラルネットワークと勾配ブースティングマシンモデルはSATの発生を効果的に予測し,Bayesモデルは重症血小板減少症の予測において最良の性能を有した。したがって,これらのモデルは,疾患の予後を改善するために,初期段階でこのような高リスク患者を同定し,個別化臨床治療を誘導するために使用できる。Copyright 2022 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： *アルゴリズム ,  ニューラルネットワーク ,  死亡率 ,  病気 ,  敗血症 ,  *治療法 ,  予後 ,  *ICU【医療】 ,  合併症 ,  *血小板減少症 ,  *機械学習 ,  *予測モデル
準シソーラス用語： *集中治療 ,  予後不良 ,  ランダムフォレスト , 【Automatic Indexing@JST】

著者キーワード (5件)： 敗血症関連血小板減少症 ,  集中治療室 ,  機械学習 ,  人工知能 ,  予測

分類 (3件)： 循環系疾患の外科療法  (GJ05030X) ,  血液の疾患  (GK03000F) ,  循環系の疾患  (GJ03000C)

引用文献 (25件)：

• García-Gallo JE, Fonseca-Ruiz NJ, Celi LA, Duitama-Muñoz JF. A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis. Med intensiva. (2020) 44:160-70. doi: 10.1016/j.medin.2018.07.016
• Thorsen-Meyer HC, Nielsen AB, Nielsen AP, Kaas-Hansen BS, Toft P, Schierbeck J, et al. Dynamic and explainable machine learning prediction of mortality in patients in the intensive care unit: a retrospective study of high-frequency data in electronic patient records. Lancet Digit Health. (2020) 2:e179-91. doi: 10.1016/S2589-7500(20)30018-2
• Sharma B, Sharma M, Majumder M, Steier W, Sangal A, Kalawar M, et al. Thrombocytopenia in septic shock patients - a prospective observational study of incidence, risk factors and correlation with clinical outcome. Anaesth Intensive Care. (2007) 35:874-80. doi: 10.1177/0310057X0703500604
• Bedet A, Razazi K, Boissier F, Surenaud M, Hue S, Giraudier S. Mechanisms of thrombocytopenia during septic shock: a multiplex cluster analysis of endogenous sepsis mediators. Shock. (2018) 49:641-8. doi: 10.1097/SHK.0000000000001015
• Xie Y, Tian R, Xie H, Jin W, Du J, Huang P. The clinical significance of thrombocytopenia complicating sepsis: a meta-analysis. J Infect. (2019) 78:323-37. doi: 10.1016/j.jinf.2018.12.002

タイトルに関連する用語 (6件)： 機械学習 ,  アルゴリズム ,  集中治療室 ,  血小板減少症 ,  リスク ,  予測モデル