機械学習により周術期末梢動脈疾患のリスクを予測

2024 年 3 月 22 日 – 機械学習 (ML) アルゴリズムは、末梢動脈疾患 (PAD) に対する血管内治療後の 1 年間の重大有害肢イベント (MALE) または死亡を正確に予測できます。 勉強 最近出版された JAMAネットワークオープン。

研究チームは、PADに対する血管内介入には重大な周術期リスクが伴う可能性があるが、現在の転帰予測ツールは限られていると指摘した。

これに対処するために、研究者らは ML に注目しました。

2004 年 1 月 1 日から 2023 年 7 月 5 日までに PAD の血管内治療を受け、1 年間の追跡調査を受けた 235,677 人の患者からのデータが、分析のために Vascular Quality Initiative (VQI) から抽出されました。

外傷、急性虚血肢、下肢動脈瘤疾患、解離または悪性新生物の治療を受けた患者、および報告されていない処置の種類や症状の状態がある患者、または同時外科バイパスを受けている患者は研究から除外された。

次に、データは、参加者の 70% を含むトレーニング セットと、コホートの残りの 30% を含むテスト セットに分割されました。

これらのデータは、関連する予測特徴を特定するために使用されました。術前 75 個、術中 24 個、術後 13 個の合計 112 個の特徴です。

術前の特徴には、人口統計、以前の処置、併存疾患、機能状態、投薬、解剖学的構造などの術前の特徴が含まれ、術中の特徴は手技の特徴で構成され、術後の要因は患者の入院経過と合併症に関連していました。

次に研究チームは、特定された術前特徴と 10 分割交差検証を使用して 6 つの ML モデルをトレーニングし、血栓除去術または血栓溶解術、外科的再介入または大切断術の複合体として特徴付けられる 1 年後の MALE または死亡を予測しました。

各アルゴリズムのパフォーマンスは、受信機動作特性曲線下面積 (AUROC) の観点から評価されました。 最もパフォーマンスの高い術前モデルを選択した後、研究者らは術中および術後のデータを使用して追加のアルゴリズムを構築しました。

元の患者コホートのうち、71,683 人の参加者が 1 年で MALE を発症するか死亡しました。

最良の術前予測モデルは極度勾配ブースティング (XGBoost) で、AUROC 0.94、精度 0.86、感度 0.87、特異度 0.85、陽性的中率 0.85、陰性的中率 0.87 を達成しました。

XGBoost モデルは、術中および術後のデータを使用しても高いパフォーマンスを維持し、AUROC はそれぞれ 0.94 および 0.98 でした。

これらの結果は、ML ツールが PAD に対する血管内介入後の 1 年間の転帰を正確に予測できることを示唆しており、周術期のリスク軽減戦略を導き、患者の転帰を改善する可能性があることを示しています。

この研究は、心臓血管ケアにおける人工知能 (AI) と ML の役割について関係者が議論を続ける中で行われました。

2月、米国心臓協会（AHA）は声明を発表した。 詳細 心血管疾患の診断と治療における AI 利用の現状。

レポートでは、これらのテクノロジーの潜在的な用途、課題、限界、および AI を安全かつ効果的に導入する方法について概説しました。

声明では、これらのツールには医療画像処理などのユースケースにおいて大きな可能性があるものの、法的および倫理的な懸念、適切な情報入手と共有のためのプロトコルの欠如、強固な規制経路の欠如、科学分野の成長の必要性など、複数のハードルがあることを強調しました。これらのテクノロジーに関する知識ベース – その採用を制限します。