機械学習を使用した入院患者のリスクの迅速な診断

この提案の目的は、複数の医療/外科部門の電子医療記録内に臨床意思決定支援ツール (eCARTv5) を迅速に導入することです。 eCART は、集中治療 (ICU) への移送および死亡のリスクが高い患者を特定するリアルタイムの機械学習アルゴリズムとクリニカル パスを組み合わせて、患者リスクのリアルタイムの定量的評価に基づいてこれらの患者のケアを標準化します。

研究者らは、このようなツールの導入により、高リスク入院成人の人工呼吸器の使用率、入院期間、死亡率の減少に関連すると仮説を立てています。

バックグラウンド：

臨床症状の悪化は入院した成人の約 5% で発生します。 悪化の認識が遅れると、有害な結果が生じるリスクが高まります。 機械学習アルゴリズムは臨床上の意思決定を強化し、患者ケアの質を向上させることができます。 ただし、臨床転帰に対するそれらの影響は、アルゴリズムの感度と特異性だけでなく、そのアルゴリズムがプロバイダーのワークフローにどの程度統合され、タイムリーかつ適切な介入が促進されるかにも依存します。

暫定データ:

eCART は、10 年以上にわたる継続的な科学研究に基づいて構築されており、査読済みの多数の出版物に記録されています。 eCART はシカゴ大学で博士らによって開発されました。 ダナ・エデルソンとマシュー・チャーペック。 最初のバージョン (eCARTv1) は、単一の医療センターからの約 60,000 人の成人病棟患者のデータセットで線形ロジスティック回帰を使用して導出され、検証されました。 このモデルには 16 の変数が含まれており、その後サイレント モードで検証され、eCART が ICU への転送または心停止の 24 時間以上前に臨床医に警告できることが実証されました。 5 つの病院からの約 270,000 人の患者のデータセットで導出および検証された eCARTv2 は、27 変数を含む 3 次スプライン ロジスティック回帰モデルを利用することで以前のバージョンを改良し、一般的に使用されるスコアである修正早期警告スコア (MEWS) よりも精度が向上していることが実証されました。これはベッドサイドの看護師が手動で計算できます (AUC 0.77 対、心停止、ICU への移送、または死亡の場合は 0.70)。 多施設共同臨床実施研究では、eCARTv2 は死亡率の相対リスクを 29% 減少させることが示されました。 eCART のさらなる開発において、シカゴ大学の研究チームは、3 次スプライン モデルからランダム フォレストや勾配ブースト マシン (GBM) などの機械学習モデルにアップグレードすると AUC が増加する可能性があることを実証しました。 最新の開発である eCART v5 では、研究チームは 800,000 件を超える患者記録の多施設データセットでトレーニングされた勾配ブースト機械学習モデルを使用して分析を進めました。 97 個の変数を備えたこのより洗練されたモデルにより、臨床医が臨床症状の悪化を予測できる精度が向上しました。