Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism
本研究は、約40万件に及ぶ非選択的な入院コホートにおいて、ルーチンな入院データで学習させた機械学習モデルが、放射線学的に確認された院内獲得性静脈血栓塞栓症の予測において、従来のガイドラインに基づくリスクスコア(PaduaおよびIMPROVE)を大幅に上回る性能を示すことを実証している。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
毎年、何百万人もの人々が治療のために病院に入院しますが、多くの人々にとって、じっと横たわっていたり病気から回復したりする行為には、隠れた危険が伴います。それは血栓の形成です。これらの血栓は静脈を通って移動し、肺への血流を遮断することがあり、これは静脈血栓塞栓症として知られ、病院における予防可能な死の主要な原因となっています。医師たちは長い間、誰に予防薬が必要かを判断するために、単純なチェックリストに頼ってきました。これらのチェックリストは、いくつかの基本的な質問を投げかけます。「患者はある一定の年齢を超えているか?」「癌を患っているか?」「動くことができない状態か?」といったものです。回答に基づき、リスクを推定するためのスコアが算出されます。これらのツールは標準的な慣行ですが、多くの場合的に的外れであり、血栓を発症する多くの患者を見逃す一方で、実際には安全な患者を誤ってフラグ立てしてしまうことがあります。課題は、過重な負担を強いられている医療スタッフにさらなる作業を強いることなく、より明確に危険を察知する方法を見つけることでした。
研究チームは、コンピュータプログラムが病院の記録から学習することで、従来のチェックリストよりも正確にこれらの血栓を予測できるかどうかを検証するため、調査を開始しました。彼らは、2008年から2022年までの米国のある単一の病院における、39万9,000件以上の成人入院患者を対象とした、匿名化された膨大な医療記録を活用しました。過去の履歴ではなく新しい症例を研究することを確実にするため、彼らはこれまで血栓を患ったことのない患者のみに焦点を当てました。研究者たちは、単純な診療報酬コード(請求コード)を用いて病人を特定することはありませんでした。なぜなら、これらのコードは不正確な可能性があるからです。その代わりに、彼らはCTスキャンや超音波画像などの放射線科のレポートの全文を読み取り、医師が新しい血栓を確認する際に使用する特定の言葉を探し出すシステムを構築しました。この慎重なプロセスにより、入院中に新しい血栓を発症した1,915人の患者が特定されました。これは、入院1,000件あたり約5件の割合です。
次に、研究者たちはこれらの事象を予測するために、2種類のコンピュータモデルを学習させました。1種類目は、年齢、既往歴、検査結果、および手術の有無を含む、入院後最初の24時間の患者データのスナップショットを見るものです。2種類目は動的なもので、新しい検査結果やバイタルサインが入ってくるたびに、毎日予測を更新します。彼らは、これらのコンピュータモデルを、現在病院で使用されている最も一般的な2つのガイドライン・チェックリストと比較しました。結果は驚くべきものでした。従来のチェックリストは、新しいデータでテストした際、リスクを正しく識別できたのは約62%に過ぎず、性能が低いことが示されました。対照的に、医師が利用可能なものと同じ日常的なデータを使用したコンピュータモデルは、0.89のAUC(曲線下面積)を達成しました。この改善は統計的に否定できないほど大きく、コンピュータモデルが、単純なチェックリストでは完全に見落としてしまうデータ内のパターンを捉えられることを示していました。
また、研究では、患者の毎日の変化の全シーケンスを読み取ろうとする、より複雑なディープラーニング・システムがさらに優れた結果をもたらすかどうかについても調査しました。驚くべきことに、これらの複雑なシステムは、日々の要約のみを見る単純なモデルに対して、何の優位性も示しませんでした。研究者たちは、単純なモデルがデータに隠されたリスク信号を捉える上で、同等に効果的であることを発見しました。さらに、コンピュータモデルは、入院から1日以上経過してから血栓を発症した患者のみに限定してテストした場合や、血栓の既往歴がある患者を含めた場合など、厳格な条件下でテストを行った場合でも、引き続き優位性を保ちました。コンピュータモデルの優位性は、これらすべてのシナリオにおいて安定していました。
この研究は、病院の安全の未来が、患者が入院した瞬間に自動的にリスクを算出する、バックグラウンドで静かに動作するソフトウェアにある可能性を示唆しています。手動でフォームに記入する必要がある現在のチェックリストとは異なり、これらのコンピュータモデルは、電子カルテから必要な情報を直接引き出すことができます。この研究は過去のデータに基づいて行われており、広く採用される前に実時間の病院環境でのさらなるテストが必要ですが、今回の知見は、精度の劇的な向上が可能であることを示しています。病院のコンピュータにすでに存在するデータを利用することで、医療現場の日常業務に新たなステップを一切加えることなく、より多くの患者を血栓から守ることが、間もなく可能になるかもしれません。
自分の分野の論文に埋もれていませんか?
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。