ER2 とディープラーニングによる健康被害の予測

高齢者の救急外来（ED）受診は、ハイリスクな医療介入です。 既知の有害事象 (AE) には、せん妄、長期にわたる ED または入院、入院、再発する ED の来院、および病院での死亡が含まれます。 これらは、ED 来院者のうち 65 歳以上の ED 来院者の割合が増加しています。

ED における AE を予測するツールは、患者のトリアージと処置に関する意思決定を支援するために非常に重要です。 対象を絞った行動を起こすために、高齢者の満たされていないニーズの領域を特定するのに役立ちます。 「自律神経維持サービス統合研究プログラム」（PRISMA-7）、リスクのある高齢者の特定（ISAR）、臨床虚弱スケール（CFS）、簡易老年病評価（BGA）を含む複数のスコアリング システムは、 ED やその他の環境でさまざまな結果について広く研究されています。 これらのツールは、最小限の訓練を受けたスタッフでも確実かつ迅速に管理できるシンプルなスコアリング システムに依存しています。 そうしないと、日常の臨床診療には適用できそうにありません。

過去 10 年間で予測精度が大幅に向上していないため、おそらく新しい分析戦略が必要です。 ディープラーニングを取り巻く現在の誇大宣伝は、より優れたより安価なハードウェアと、大企業と幅広いユーザーコミュニティによってサポートされるシンプルなオープンソースライブラリの利用可能性から来ています。 したがって、ディープラーニング (DL) アルゴリズムの実装は、標準的な臨床診療における医療を含む幅広い環境で利用できるようになりました。 DL は、非常に特殊なタスクに関して、平均的な委員会認定スペシャリストよりも正確であることが示されています。 さまざまな臨床転帰の予測では、それほど劇的な結果は得られていませんが、これはおそらく、従来の (非 DL) モデルがすでに多くの病状に対して臨床医を上回っているためと考えられます。 ED での転帰予測に適用される公開された DL アプローチは、一般的な急性疾患の成人、特定の状態、または入院部門や ED の過密などの管理上の問題に焦点を当てています。 高齢の ED 訪問者のような特定の年齢層をターゲットにしたものはありません。

多くの DL アプローチにおける重要な注意点は、結果の解釈です。 特定のモデルの AE に関連する対象を絞った特徴に基づいて介入を開発するには、ある程度の透明性が必要です。 NN の複数の層が線形回帰と比較して予測を向上させる場合、多くの場合、どの変数がどのように相互作用してその結果が得られるかについて、臨床的に適切な洞察が得られません。