文献

J-GLOBAL ID：202202283519250677   整理番号：22A1030658

欝血性心不全患者における急性腎臓損傷に対する機械学習に基づく予測モデル【JST・京大機械翻訳】

A Machine Learning-Based Prediction Model for Acute Kidney Injury in Patients With Congestive Heart Failure

著者 (6件)： Peng Xi (Department of Cardiology, National Center of Gerontology, Beijing Hospital, Beijing, China) ,  Peng Xi (Institute of Geriatric Medicine, Chinese Academy of Medical Sciences, Beijing, China) ,  Li Le (National Center for Cardiovascular Diseases, Peking Union Medical College, Fuwai Hospital, Chinese Academy of Medical Sciences, Beijing, China) ,  Wang Xinyu (Department of Environmental and Engineering, Beijing University of Civil Engineering and Architecture, Beijing, China) ,  Zhang Huiping (Department of Cardiology, National Center of Gerontology, Beijing Hospital, Beijing, China) ,  Zhang Huiping (Institute of Geriatric Medicine, Chinese Academy of Medical Sciences, Beijing, China)
資料名： Frontiers in Cardiovascular Medicine (Web)  (Frontiers in Cardiovascular Medicine (Web))
巻： 9  ページ： 842873  発行年： 2022年 
JST資料番号： U7061A  ISSN： 2297-055X  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： 背景:機械学習(ML)を用いて,高性能予測モデルを構築した。うっ血性心不全(CHF)患者は,治療を困難にする急性腎損傷(AKI)に脆弱である。CHF患者におけるAKIの早期同定のためのMLベースの予測モデルを確立することを目的とした。方法:患者データを集中治療III(MIMIC-III)データベースのための医療情報Martから抽出し,CHF患者を選択した。いくつかの一般的ML分類器間の比較を行い,最良の予測モデルを選択した。再帰特徴除去(RFE)を用いて,重要な予測特性を選択した。モデルは,ハイパーパラメータ最適化(HPO)を用いて改善した。最終モデルを,eICU共同研究データベースからの外部検証セットを用いて検証した。受信者動作特性曲線(AUROC),精度,較正曲線および決定曲線分析下の面積を用いて予測性能を評価した。さらに,最終モデルを用いて腎置換療法(RRT)要求を予測し,CHF患者の短期予後を評価した。最後に,選択した特徴に基づいてソフトウェアプログラムを開発し,AKIの確率を直感的に報告することができた。結果:CHF患者合計8,580名が含まれ,そのうち2,364名がAKIと診断された。光GBMモデルは,13MLベースモデルの中で最良の予測性能(AUROC=0.803)を示した。RFEとHPOの後,最終モデルを血清クレアチニン(SCr),血液尿素窒素(BUN)と尿出力(UO)を含む18の特徴で確立した。LightGBMの予測性能は,UOと組み合わせたSCr,UOまたはSCrの測定より良好であった(それぞれAUROCs:0.809,0.703,0.560および0.714)。さらに,最終モデルは(AUROC=0.954)患者のRRT要求を正確に予測することができた。さらに,参加者はAKIの高リスク群と低リスク群に分割し,高リスク群の90日死亡率は低リスク群より有意に高かった(ログランクp<0.001)。最後に,CHFの9,749人の患者を含むeICUデータベースを用いた外部検証は,満足のいく予測結果(AUROC=0.816)を明らかにした。結論:CHF患者におけるAKIの予測モデルは,LightGBMに基づいて確立され,このモデルの予測性能は他のモデルより良好であった。本モデルは,CHF患者の間で,RRT要求の予測および予後不良の集団の同定に役立つ可能性がある。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： 最適化 ,  データベース ,  死亡率 ,  *モデル ,  ソフトウェア ,  検量線 ,  予後 ,  尿素態窒素 ,  医学情報 ,  *機械学習 ,  *予測モデル
準シソーラス用語： ROC曲線 ,  集中治療 ,  予後不良 ,  血清クレアチニン ,  *急性腎損傷 , 【Automatic Indexing@JST】

著者キーワード (5件)： 急性腎損傷 ,  うっ血性心不全 ,  予測モデル ,  機械学習 ,  光GBM

分類 (2件)： 泌尿生殖器の診断  (GM02000E) ,  循環系疾患の外科療法  (GJ05030X)

引用文献 (34件)：

• Levey AS, James MT. Acute Kidney Injury. Ann Intern Med. (2017) 167:ITC66-ITC80. doi: 10.7326/AITC201711070
• Al-Jaghbeer M, Dealmeida D, Bilderback A, Ambrosino R, Kellum JA. Clinical Decision Support for In-Hospital AKI. J Am Soc Nephrol. (2018) 29:654-60. doi: 10.1681/ASN.2017070765
• Hoste EA, Bagshaw SM, Bellomo R, Cely CM, Colman R, Cruz DN, et al. Epidemiology of acute kidney injury in critically ill patients: the multinational AKI-EPI study. Intensive Care Med. (2015) 41:1411-23. doi: 10.1007/s00134-015-3934-7
• Murugan R, Karajala-Subramanyam V, Lee M, Yende S, Kong L, Carter M, et al. Acute kidney injury in non-severe pneumonia is associated with an increased immune response and lower survival. Kidney Int. (2010) 77:527-35. doi: 10.1038/ki.2009.502
• Sileanu FE, Murugan R, Lucko N, Clermont G, Kane-Gill SL, Handler SM, et al. AKI in low-risk versus high-risk patients in intensive care. Clin J Am Soc Nephrol. (2015) 10:187-96. doi: 10.2215/CJN.03200314

タイトルに関連する用語 (5件)： 欝血性心不全 ,  患者 ,  急性腎臓損傷 ,  機械学習 ,  予測モデル