下痢の病因予測 (DEP) アルゴリズムの受容性と影響

下痢性疾患は、世界中の子供の罹患率と死亡率の主要な原因であり、年間推定 10 億件の症例と 500,000 人の死亡があります。 下痢による死亡者の大半は低所得国で発生していますが、高所得国では感染性下痢が依然として重大な問題となっています。 即時の罹患率は別として、リソースの少ない環境にいる子供たちの下痢の潜在的な長期後遺症には、栄養失調、成長の衰え、認知発達の障害が含まれます.

子供の下痢性疾患管理の基本は水分補給ですが、抗生物質の使用や臨床検査など、他の多くの管理上の決定が疾患の経過に影響を与える可能性があります。 抗生物質の過剰使用は、副作用を引き起こし、地域社会での抗菌薬耐性の増加につながる可能性があります. 一部の細菌および原虫病原体に対する抗菌薬の使用不足は、病気の長期化につながり、伝染を促進する可能性があります。 これにより、学校や親の仕事を欠席する日数が増加し、資源の乏しい環境にある栄養失調の子供たちの間で、成長が鈍化したり死亡したりする可能性があります。 臨床検査の過剰使用は、患者と医療システムの両方に経済的影響を与える可能性があり、使用不足は適切な治療を遅らせたり、アウトブレイクの認識を妨げたりする可能性があります。 したがって、下痢の病因を正確かつ費用対効果の高い決定は、子供の適切な症例管理と公衆衛生にとって重要です。

臨床予測ルール (CPR) は、臨床医が臨床情報を解釈するのに役立ち、意思決定を改善できます。 最近のシステマティック レビューでは、子供向けの臨床予測ルールが開発された状態に関する 137 の研究のうち、下痢に関する研究は 2 つだけであり、その両方が脱水症の評価のためのものであることが示されました。 同様に、小児の下痢に関する利用可能なガイドラインの大部分は、水分補給のルート、タイミング、および選択に焦点を当てています。 過去 30 年間のいくつかの研究では、下痢の原因が細菌である可能性を推定する臨床予測因子の使用が研究されました。 ただし、これらの研究は、病原体の同定率が低いこと、サンプルサイズが小さいこと、単一の研究サイトの使用、および最適ではない予測パフォーマンスによって制限されていました。

ガイドラインと効果的な臨床予測因子がないことを考えると、抗生物質の使用と臨床検査の決定は、ほとんどの場合、証拠が不十分な多くの「経験則」に基づいて経験的に行われます. 残念ながら、医師の判断は、抗生物質の必要性と正しいタイプの検査の両方を予測するのに非常に不十分です. ケニアの病院に下痢で来院した子供たちに関する最近の研究では、赤痢菌感染症の代用として赤痢に依存していることが、症例のほぼ 90% で赤痢菌の診断に失敗していることを示しました。 意思決定のためのより優れたツールと、抗生物質の使用に関するエビデンスに基づくガイドライン、および下痢の子供に対する臨床検査が明らかに必要とされています。

下痢性疾患における抗生物質の使用に関する決定の大部分は、経験に基づいて行われます。 低所得国および中所得国 (LMIC) では、コストの制約により、病因診断が行われることはめったになく、急性下痢患者の多く (最大 70%) が抗生物質を処方されています。 ただし、高リソース設定とは対照的に、低リソース設定では細菌性病原体が非常に一般的である可能性があります。 多施設国際腸管多施設研究 (GEMS) 研究では、赤痢の検出率は、赤痢の子供の 16 ～ 78%、水様性下痢の子供の 2 ～ 43% の範囲であることがわかりました。 高資源環境でも低資源環境でも、抗菌薬の不適切な使用は、個人に不必要な毒性をもたらし、コストを増加させ、地域社会での抗生物質耐性の増加につながります。 このように、リソースが豊富な環境と少ない環境の両方で、小児下痢症に対する抗生物質の適切な使用を導く方法が緊急に必要とされています。

臨床予測ルール (CPR) は、臨床医が患者の転帰の可能性を推定するのに役立つ意思決定ルーブリックです。 多くの著名な予測スコアが臨床使用に広く採用されています。 例としては、心房細動患者の脳卒中リスクの CHADS2 スコア、NSTEMI 患者の死亡率の TIMI スコア、市中肺炎の死亡率の CURB-65 スコアなどがあります。 臨床的意思決定に統合された臨床予測ルールは、臨床医をよりエビデンスに基づく行動に向けさせる能力を備えており、その結果、ケアの改善とコストの削減が実現します。 連鎖球菌性咽頭炎のスコアの使用によって示されるように、CPR は抗菌薬の使用を減らすこともできます。 このように、臨床予測ルールは、世界中の医療従事者が臨床上の不確実性に対処し、下痢のある子供たちに改善されたケアを提供するのに役立つ可能性を秘めています。

研究者は最近、GEMS からのデータを使用して、約 0.85 の内部交差検証済み曲線下面積 (AUC) を持つウイルス病因予測ルールを導き出しました。 研究者は、複数のモデルまたはテストからのオッズを考慮に入れた、テスト後のオッズ定式化方法を使用しました。 まず、GEMS からのデータを使用して、研究者はウイルス病因を従属変数としてロジスティック回帰モデルをトレーニングし、独立変数として最も予測性の高い 5 つの臨床変数を使用しました。 次に、研究者は、地域の気候と最近の臨床傾向の両方を独立変数として使用して、同じウイルス病因応答でモデルをトレーニングしました。 モデルごとに、カーネル密度推定を使用してトレーニング予測の条件付き分布を推定することにより、ウイルスの病因と他の既知の病因のオッズが生成されます。 各モデルに対して生成されたオッズは、ウイルス病因の全体的なオッズを決定するために、検査前のオッズと共に乗算されます。 調査官は現在、この予測ルールの計算を、下痢病因予測 (DEP) アルゴリズムと呼ばれるスマートフォン アプリケーションに転送しました。 研究者は、VIDA (アフリカの下痢に対するワクチンの影響) 研究からの TAC データを使用して、下痢のウイルス病因を予測する DEP アルゴリズムの能力を外部的に検証しました。 このアプリケーションでは、私たちの目的は、下痢の子供の世話をしている臨床医の間で DEP の受容性と使用を判断することです。