Construction of a machine learning-based prediction model for intraoperative acquired pressure injury in children undergoing neurosurgery

技術要約：小児脳神経外科手術における術中獲得性圧力損傷の機械学習ベース予測モデルの構築

問題提起
術中獲得性圧力損傷（IAPI）は、脳神経外科手術を受ける小児において頻繁かつ深刻な合併症である。これらの手術の繊細な性質上、強制的な体位保持の必要性、局所的な組織圧迫を引き起こす器具の使用、および長期の術後臥床が必要となるため、小児患者は高いリスクにさらされる。先行研究では、脳神経外科手術を受ける小児における発生率は約11.5%と報告されているが、この集団における具体的なリスク因子については十分に解明されていない。さらに、既存の予測ツール（以前に開発されたノモグラムなど）は、中程度の予測能（c-index = 0.79）しか示さなかった。今日まで、脳神経外科手術を受ける小児におけるIAPIの予測モデルを構築するために、機械学習（ML）技術を用いた報告はなされていない。

方法論
本レトロスペクティブ研究では、2023年1月から6月の間に重慶の三次小児病院で脳神経外科手術を受けた776名（18歳以下）の臨床データを利用した。本研究はサンプルサイズ計算において「1変数あたり10イベント（EPV）」の原則に従い、最終的に14個の潜在的なリスク因子を含めた。

• データ収集および前処理： データには、デモグラフィック情報、術前検査値（ヘモグロビン、ヘマトクリット、BMI、Braden Qスコア）、および術中変数（ASA分類、手術体位、手術時間／麻酔時間、出血量、パワーツールの使用、低体温）が含まれる。IAPIは2019年NPUAP基準に従って診断された。
• 特徴量選択： 変数のスクリーニングと次元削減のために、LAS方面（LASSO）回帰を用い、非ゼロ係数を持つ13個の特徴量を選択した。
• モデル構築： データセットをトレーニングセット（70%）と検証セット（30%）に分割した。9つの機械学習アルゴリズム（ロジスティック回帰（LR）、ランダムフォレスト（RF）、ニューラルネットワーク（NNET）、Extreme Gradient Boosting（XGBoost）、Gradient Boosting Machine（GBM）、サポートベクターマシン（SVM）、ナイーブベイズ（NB）、K近傍法（KNN）、決定木（DT））を実装した。
• 最適化および検証： モデルは、トレーニングセットに対する10分割交差検証とグリッドサーチを用いてチューニングされた。性能は、受信者動作特性曲線下面積（AUC）、感度、特異度、適合率、F1スコア、および決定曲線分析（DCA）を用いて評価された。
• 解釈可能性： 最適なモデルは、特徴量の重要性を可視化し、意思決定プロセスを説明するために、SHAP（SHapley Additive exPlanations）を用いて分析された。

主な結果

• 発生率： コホートにおけるIAPIの観察された発生率は7.9%（62/776）であった。損傷の大部分はステージI（95.16%）であり、部位は頬部、額、および側頭部が最も多かった。
• 特徴量選択： LASSO回帰により、年齢、性別、Braden Qスコア、術前ヘマトクリット値、術中出血量、手術時間、麻酔時間、手術体位、パワーツールの使用、ASA分類、手術術式、およびBMIを含む13個の主要な予測因子が特定された。
• モデル性能： 9つのアルゴリズムの中で、XGBoostモデルが最も安定かつ最適な性能を示した。
  • 検証セットの指標： XGBoostは、AUC 0.7325、感度 0.8889、特異度 0.4813、適合率 0.126、F1スコア 0.2207 を達成した。
  • 比較： XGBoostモデルは、著者らの以前のノモグラムモデル（0.79）と比較してAUCはわずかに低いものの、より高い感度を示した。決定曲線分析は、XGBoostが検証セットにおいて最大の純臨床的利益を提供することを示した。
• リスク因子分析： SHAPによる可視化により、モデルの予測を駆動する上位6つのリスク因子が特定された：術中出血量、手術体位、患者の年齢、手術時間、麻酔時間、および外部からの力（ドリルやミリングカッターなど）の使用である。

主な貢献

1. 新規のML適用： 本研究は、脳神経外科手術を受ける小児におけるIAPIの機械学習ベースの予測モデルを構築しており、これまで報告されていなかった領域に対処している。
2. アルゴリズムの比較： 9つの異なる機械学習アルゴリズムを体系的に比較し、この特定の臨床状況においてXGBoostが優れたモデルであることを特定した。
3. 解釈可能性： SHAP分析を統合することで、「ブラックボックス」的な予測を超え、特定の臨床指標（出血量や手術体位など）がどのように損傷リスクに影響を与えるかを透明性の高い可視化によって提供している。
4. 精緻化されたリスク因子： 本研究はリスク因子を再評価し、従来の非MLモデルではそれほど強調されていなかった術中出血量やパワーツールの使用の重要性を確認した。

意義および主張
著者らは、構築されたXGBoostベースの予測モデルが「一定の予測能」を有していると主張している。本研究の主な意義は、臨床看護師が脳神経外科手術を受ける高リスクの小児患者を早期に特定するのを支援できる可能性にある。このモデルを活用することで、医療従事者はケアの継続過程において、より早い段階で個別化された予防策を講じることができる。本研究は、このモデルが臨床的判断の完全な代替にはならないものの、スクリーニングのための科学的根拠を提供し、最も重要なリスク因子を強調することで評価プロセスを効率化し、ひいてはIAPI予防戦略の精度向上と評価時間の短縮に寄与することを強調している。著者らは、データのレトロスペクティブな性質、外部検証の欠如、および将来の研究におけるリスク因子間の相互作用の探索の必要性といった限界を挙げ、モデルの汎用性については謙虚な姿勢を維持している。