日本語AIでPubMedを検索
レジストリデータへの機械学習の応用。小児頭蓋顔面周術期登録データセットを用いた頭蓋顔面手術中の輸血必要量の患者別予測モデルの開発
Machine Learning Applied to Registry Data: Development of a Patient-Specific Prediction Model for Blood Transfusion Requirements During Craniofacial Surgery Using the Pediatric Craniofacial Perioperative Registry Dataset.
PMID: 32618624 DOI: 10.1213/ANE.0000000000004988.
抄録
背景:
頭蓋縫合不全症は、頭蓋縫合糸≧1の早期融合であり、多くの場合、外科的介入を必要とします。手術は広範囲の骨切りを伴うことがあり、これはかなりの出血につながる可能性があります。現在のところ、この患者集団における血液保存または輸血の指針となるコンセンサス勧告は存在しない。本研究の目的は、頭蓋顔面手術を受ける個々の小児患者の血液製剤の輸血要件を予測する機械学習モデルを開発することである。
BACKGROUND: Craniosynostosis is the premature fusion of ≥1 cranial sutures and often requires surgical intervention. Surgery may involve extensive osteotomies, which can lead to substantial blood loss. Currently, there are no consensus recommendations for guiding blood conservation or transfusion in this patient population. The aim of this study is to develop a machine-learning model to predict blood product transfusion requirements for individual pediatric patients undergoing craniofacial surgery.
方法:
小児頭蓋顔面外科周術期レジストリの2143人の患者からのデータを使用して、ランダムフォレスト法、適応ブースト法（AdaBoost）、ニューラルネットワーク法、勾配ブースト法（GBM）、サポートベクターマシン法、弾性ネット法の6つの機械学習型分類・回帰モデルを、22の人口統計学的特徴と術前特徴からの入力で評価しました。個人の全体的な輸血の必要性を予測するための分類モデルと、術前に注文すべき血液製剤単位数を予測するための回帰モデルを開発した。この研究は、予測モデル開発のためのTRIPOD（Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis）チェックリストに従って報告されている。
METHODS: Using data from 2143 patients in the Pediatric Craniofacial Surgery Perioperative Registry, we assessed 6 machine-learning classification and regression models based on random forest, adaptive boosting (AdaBoost), neural network, gradient boosting machine (GBM), support vector machine, and elastic net methods with inputs from 22 demographic and preoperative features. We developed classification models to predict an individual's overall need for transfusion and regression models to predict the number of blood product units to be ordered preoperatively. The study is reported according to the Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD) checklist for prediction model development.
結果:
GBMは両領域で最も優れたパフォーマンスを示し、分類の受信機操作特性曲線下面積は0.87±0.03（95％信頼区間）、Fスコアは0.91±0.04、回帰の平均二乗誤差は1.15±0.12、R二乗（R）は0.73±0.02、ルート平均二乗誤差は1.05±0.06であった。GBM特徴のランキングにより、以下の変数が予測のために最も多くの情報を保持していることが決定された：血小板数、体重、術前ヘマトクリット、施設ごとの手術量、年齢、および術前ヘモグロビン。次に、個々の患者に対して術前に注文すべき血液の単位数を示す計算機を作成した。
RESULTS: The GBM performed best in both domains, with an area under receiver operating characteristic curve of 0.87 ± 0.03 (95% confidence interval) and F-score of 0.91 ± 0.04 for classification, and a mean squared error of 1.15 ± 0.12, R-squared (R) of 0.73 ± 0.02, and root mean squared error of 1.05 ± 0.06 for regression. GBM feature ranking determined that the following variables held the most information for prediction: platelet count, weight, preoperative hematocrit, surgical volume per institution, age, and preoperative hemoglobin. We then produced a calculator to show the number of units of blood that should be ordered preoperatively for an individual patient.
結論:
麻酔科医と外科医は、この継続的に進化する予測モデルを使用して、頭蓋鼻咽頭症手術を受ける患者の臨床ケアを改善することができます。
CONCLUSIONS: Anesthesiologists and surgeons can use this continually evolving predictive model to improve clinical care of patients presenting for craniosynostosis surgery.