機械学習プログラムは病院の定期検査の結果に基づいて死亡リスクを予測します

Jun 18, 2023

まとめ： ECG データを使用した新しい機械学習アルゴリズムは、患者の入院後 5 年以内の死亡を 87% の精度で予測することができました。 AI は患者を死亡リスクの低いものから高いものまで 5 つのカテゴリーに分類することができました。

ソース：アルバータ大学

入院したり救急外来を訪れたことがある人は、心電図や ECG 検査を受けたことがあるでしょう。これは、胸にテープで貼られた小さな電極を使用して心臓のリズムと電気活動をチェックする標準的な検査です。

病院の心電図は通常、ベッドサイドの医師または看護師によって読み取られますが、現在研究者は人工知能を使用してその結果からさらに多くの情報を収集し、医療と医療システムを一度に改善しています。

最近発表された調査結果によると、研究チームは2007年から2020年の間にアルバータ州北部で24万4,077人の患者に対して行われた160万件の心電図に基づいて機械学習プログラムを構築し、訓練した。

このアルゴリズムは、各患者のその時点からのあらゆる原因による死亡リスクを 85% の精度で 1 か月、1 年、5 年以内に予測し、患者をリスクの低いものから高いものまで 5 つのカテゴリーに分類しました。

人口統計情報 (年齢と性別) と 6 つの標準的な臨床検査の血液検査結果が含まれる場合、予測はさらに正確になりました。

カナダ医学教授で共同ディレクターを務める主任研究者のパドマ・カウル氏によると、この研究は、定期的に収集されたデータを使用して個人のケアを改善し、医療システムが進行しながら「学習」できるようにするための概念実証であるという。ビガーセンター。

「私たちは、人工知能や機械学習などの新しい方法を使用してデータを分析し、死亡リスクが高い患者を特定できるかどうかを知りたかったのです」とカウル氏は説明します。

「これらの発見は、機械学習モデルを使用して、臨床現場で日常的に収集されたデータを、学習医療システムの一部としてケア時点での意思決定を強化するために使用できる知識に変換する方法を示しています。」

高血圧や、胸痛、息切れ、不整脈などの心臓病の症状がある場合、臨床医は心電図検査を指示します。 研究の第 1 段階では、すべての患者の ECG 結果を調べましたが、Kaul 氏と彼女のチームは、患者の特定のサブグループ向けにこれらのモデルを改良したいと考えています。

彼らはまた、全死因死亡率を超えた予測に焦点を当て、特に心臓関連の死因に注目する予定だ。

「私たちは、医療システムによって生成されたデータを取得し、それを知識に変換し、システムにフィードバックして、ケアと成果を改善できるようにしたいと考えています。これが学習型医療システムの定義です。」

著者：ロス・ナイツソース：アルバータ大学接触：ロス・ナイツ – アルバータ大学画像：画像はパブリックドメインです

独自の研究:オープンアクセス。「心電図を使用した人口レベルの死亡率予測のための人工知能ベースの学習型健康システムに向けて」パドマ・カウルら著。 npjデジタルメディシン

抽象的な

心電図を使用した人口レベルの死亡率予測のための人工知能ベースの学習型健康システムに向けて

学習型医療システムの開発を促進するために、心電図 (ECG) データを長期的な人口レベルの行政健康データにリンクすることの実現可能性と価値は十分に検討されていません。 当社は、何らかの理由で救急外来や病院を訪れる患者の死亡リスクを予測するための ECG ベースの機械学習モデルを開発しました。

カナダ、アルバータ州の 244,077 人の患者 (2007 ～ 2020 年) の 748,773 件の医療エピソードからの 1,605,268 件の ECG の 12 誘導 ECG トレースと測定値を使用して、ResNet ベースのディープ ラーニング (DL) と勾配ブースティング ベースの XGBoost (XGB) を開発および検証しました。 30 日、1 年、および 5 年の死亡率を予測するモデル。 30 日、1 年、および 5 年死亡率のモデルは、146,173 人、141,072 人、および 111,020 人の患者を対象にトレーニングされ、それぞれ 97,144 人、89,379 人、および 55,650 人の患者を対象に評価されました。 評価コホートでは、30日以内に7.6％、1年以内に17.3％、5年以内に32.9％の患者が死亡した。

ECG トレースのみに基づく ResNet モデルは、受信者動作特性曲線下面積 (AUROC) が 0.843 (95% CI: 0.838 ～ 0.848)、0.812 (0.808 ～ 0.816)、および 0.798 (0.792 ～ 0.803) であり、良好から優れたパフォーマンスを示しました。それぞれ 30 日間、1 年間、5 年間の予測。 そして、AUROC 0.782 (0.776 ～ 0.789)、0.784 (0.780 ～ 0.788)、および 0.746 (0.740 ～ 0.751) の ECG 測定に基づく XGB モデルよりも優れていました。

この研究は、ポイントオブケアでの予後予測に利用できる、集団レベルでの ECG ベースの DL 死亡予測モデルの有効性を実証しています。

素晴らしい記事です、ロス！ 機械学習アルゴリズムが、ECG データやその他の病院での日常的な検査に基づいて、どのようにしてこれほど高い精度で死亡リスクを予測できるのかを見るのは印象的です。 このテクノロジーは医療システムに広く導入されると思いますか?また、患者ケアにどのような影響を与えると思いますか?

十分かつ正確なデータを使用してプログラムされている場合は、統計に帰着します。 いわば、太陽の下では何も新しいことはありません。 特定の結果を伴ってかなりの回数起こったことは、再び起こる可能性があります。

医原性死因は含まれているのだろうか？

コメントは締め切りました。