機械学習アルゴリズムに基づいて ECMO 患者の予後予測モデルを構築するには

体外膜酸素化 (ECMO) は、重度の心肺不全患者に継続的な体外呼吸および循環サポートを提供するために使用されます。 これは救命救急医療において最も重要な生命維持方法であり、集中治療室 (ICU) における最も複雑で高価な治療法の 1 つでもあります。 維持するには多くのリソースが必要です。 したがって、臨床上の意思決定を支援するためには、患者の適応を厳密に把握し、患者の予後を正確に予測することが特に重要です。

これまでに発表されたいくつかの研究では、臨床スコアを使用して ECMO 患者の予後を予測していますが、そのほとんどは、成人呼吸窮迫症候群 (ARDS)、呼吸不全、肺移植、心原性ショックなど、特定の患者グループにおける ECMO の転帰に焦点を当てていました。の上。 さらに、これらの推定値のほとんどは従来の統計手法を使用して計算されており、より多くの特性変数を含むデータセットに対する適合力は限られています。

人工知能 (AI) と機械学習 (ML) は、従来の統計手法に代わるより高度な代替手段を提供し、高次元の特性変数と非線形データを含むデータセットを扱う際に比類のない利点をもたらします。 また、自己反復してモデルのパフォーマンスを向上させることができます。 さらに、因果関係または統計データに基づいて情報を処理できる ML は、臨床指標と疾患の予後の間の隠れた依存関係を明らかにし、臨床上の意思決定をサポートする可能性があり、最良の代替手段として浮上しています。入院。 関連する文献と救命救急医療の ECMO 専門家からの洞察に基づいて、合計 69 の臨床特性指標が特定されました。 これらの指標には、年齢、身長、体重、ECMO 患者の病歴などの人口統計データが含まれます。 さらに、感染指標は ECMO サポートの開始前 24 時間以内、および ECMO サポートの中止後 24 時間以内に評価されました。 さらに、心臓、腎臓、肝臓の機能、およびショックの種類（分布性ショック、血液量減少性ショック、心原性ショック、閉塞性ショック）に関する指標も含まれていました。 さらに、ECMO サポート開始後 3 日以内の 1 日平均水分摂取量、ECMO サポート期間、ICU 滞在期間も考慮されました。