で発表された最近の研究では、 科学レポート研究者らは、ディープラーニングを使用して、一般病棟に入院している小児患者の重大な事象を単純な変数を使用して予測するモデルを開発しました。
勉強： 一般病棟に入院する小児患者の重篤な事象を予測するディープラーニングモデルの開発s. 画像クレジット: PopTika/Shutterstock.com
背景
心肺蘇生法（CPR）などの重大な事態が発生する前に迅速に管理するには、悪化している個人の早期診断が不可欠です。 小児は心停止になる前に治療を受ける可能性が高くなります。 既存のツールは時間がかかり、複雑なため、実行できなくなります。
小児早期警告スコア (PEWS) の予測能力は不十分です。 ディープラーニングは医療危機の予測モデルを開発するために使用されます。 ただし、ほとんどの研究は成人に焦点を当てています。
ある研究では、ICU での感染確率を決定するために 29 の基準を採用しましたが、これは非現実的な可能性があります。 もう 1 つは、20 を超えるバイタルサイン測定を必要とする LSTM モデルを作成しました。
研究について
今回の遡及的横断観察研究では、研究者らは、バイタルサイン、年齢、性別、測定間隔などの特徴に基づいて、一般病棟に入院している小児患者の重大なイベントを予測するための機械学習モデルを開発した。
研究チームは、三次小児科病院の一般病棟に入院している18歳未満の患者を対象に、2020年1月から2022年12月までこの研究を実施した。
彼らは、重大な出来事を一般病棟での心肺蘇生、集中治療室（ICU）への予期せぬ移送、または死亡として特徴づけた。
彼らは、入院中に収集されたバイタルサインを使用して重大事象予測モデルをトレーニングし、参加者の測定間隔、年齢、性別を利用して年齢による正常範囲の変動を標準化しました。
研究者らは、前処理されたデータセットをトレーニング (80%) とテスト (20%) のデータセットに分割し、単純な人工ニューラル ネットワーク (ANN) を使用して深層学習を実行しました。 彼らは、仮名化された識別コードと入院日を組み合わせて固有の入院識別コード (IHID) を生成することにより、重要な指標を検査しました。
彼らは、バイタルサイン測定時間を昇順に並べ替え、IHID 内でのバイタルサイン測定の間隔を推定しました。
研究者らは、重要な記録を、ICUへの搬送や死亡などの出来事の6時間前と、心肺蘇生後の死亡率などのCPRの6時間前に収集されたデータであると特定した。
彼らは記録を非クリティカルなカテゴリーとクリティカルなカテゴリーに分類し、重要なイベントを含む非クリティカルなものを削除し、非クリティカルなグループの IHID について最後に文書化されたレコードに対して深層学習を実行しました。
研究者らは、受信者動作特性曲線下面積 (AUROC) と精度再現率曲線下面積 (AUPRC) という 2 つの重要な指標を使用してモデルの予測能力を測定しました。
副次評価項目には、CPR、ICU への予期せぬ搬送、死亡が含まれていました。 この研究では、使用されたすべての特性の推定プロセスの関連性とそれらの間の関連性もさらに調査されました。
結果
この研究には、22,184人の入院患者13,787人および1,039,070のバイタルサインのデータポイントが含まれていました。 入院時の参加者の平均年齢は69か月で、患者の43％が女性でした。
入院期間は3.0日間でした。 データのフィルタリング後、14,227 件の関連記録が残り、そのうち 74 か月、43% が女性でした。
重症カテゴリーは患者の4.40%を占め、261人が心肺蘇生を必要とし、238人が予定外のICUへの搬送を伴い、141人が死亡した。 初期測定間隔の欠損データの平均補完値は 276 でした。
生成されたモデルの予測パフォーマンスは優れており、AUROC は 0.99、AUPRC は 0.90 でした。
チームは、医療従事者の作業負荷を軽減しながら、単純な要素を使用して重要な出来事を正確に予測する、優れた予測能力を備えたディープラーニング モデルを作成しました。 ただし、この研究は単一施設での実験であり、モデルの外部検証のためにさらなる研究が必要でした。
結果の最も重要な予測因子は、測定間隔、SpO2、および RR Z スコアでした。 間隔が減少するとモデルの出力は増加しますが、間隔が増加すると効果は減少します。 SpO2 も同様の傾向を示しました。
呼吸数と心拍数の Z スコアが高いほど、結果に対する影響は大きくなりますが、Z スコアの値が低いほど、影響は小さくなります。
モデルの特性評価のための特性間の関連性を調べると、測定間隔が狭いほど SHAP 値が高くなりますが、HR z スコアは有意ではないことが明らかになりました。
間の関係 酸素飽和度 （SpO2）値とSHAP測定値は連続的に逆転しており、測定間隔が短くなるにつれてその傾向はより顕著になりました。
結論
全体として、研究結果は、バイタルサイン、性別、測定間隔、年齢などの単純なデータを使用して、失敗した小児患者への介入を予測する深層学習に基づくモデルを強調しています。
この方法では、測定値を蓄積するのではなく、少数の変数に依存するため、医療スタッフの負担が軽減されます。 このモデルの AUROC 値は 0.99、AUPRC 値は 0.90 で、以前の研究よりもはるかに優れていました。
このモデルはすべての重要なイベントで継続的に 0.96 を上回りましたが、専門的なトレーニングが不足していたため AUPRC は低下しました。 このモデルでは、すべての期間にわたってより良い結果が得られました。これはおそらく、非重要サブグループと重要サブグループ間の不均衡とデータの均一性によるものと考えられます。
1709213916
#一般病棟における小児重大イベントを予測するためのディープラーニングベースのモデル開発
2024-02-29 13:15:00