機械学習と電子ヘルス記録からの縦断的なバイタルサインデータを使用した急性移植片と宿主疾患の予測

目的：急性移植片対宿主疾患（AGVHD）は、同種造血細胞移植（HCT）の著しい合併症のままであり、その広範な応用を制限します。グレードIIからIV AGVHDを予測する能力は、潜在的に罹患率と死亡率を軽減する可能性があります。現在まで、研究者は患者のスナップショット（例えば、単一の時点でバイオマーカー）を使用してAGVHDの発症を予測することに焦点を合わせてきました。電子健康記録（EHR）に収集および保存された縦断的データは、AGVHDを発症するリスクが高い患者と低リスクのある患者を区別できると仮定しました。 患者と方法：この研究には、2014年から2017年にミシガン大学C.S.モット小児病院で同種HCTを受けている324人の患者のコホートが含まれていました。EHRデータを使用して、移植の最初の10日以内に収集された重要な兆候測定値を使用して、予測を構築しました。グレードIIからIV AGVHDのリスクがある患者を特定するためのペナルティ化されたロジスティック回帰を使用したモデル。提案されたモデルを、移植時に収集された患者とドナーの特性のみで訓練されたベースラインモデルと比較し、さまざまな入力機能の重要性の分析を実行しました。 結果：提案されたモデルはベースラインモデルよりも優れており、受信機の下にある領域は0.659に対して0.512（p = .019）です。特徴の重要性分析は、学習モデルが温度と収縮期血圧に最も依存していることを示し、時間的傾向（例えば、増加または減少）が平均値よりも重要であることを示しました。 結論：EHRSから容易に入手可能な臨床データを活用して、HCTを受けている患者のAGVHD予測のための機械学習モデルを開発しました。温度などのバイタルサインの継続的な監視は、臨床医がAGVHDのリスクが高い患者をより正確に特定するのに役立つ可能性があります。

PURPOSE: Acute graft-versus-host disease (aGVHD) remains a significant complication of allogeneic hematopoietic cell transplantation (HCT) and limits its broader application. The ability to predict grade II to IV aGVHD could potentially mitigate morbidity and mortality. To date, researchers have focused on using snapshots of a patient (eg, biomarkers at a single time point) to predict aGVHD onset. We hypothesized that longitudinal data collected and stored in electronic health records (EHRs) could distinguish patients at high risk of developing aGVHD from those at low risk. PATIENTS AND METHODS: The study included a cohort of 324 patients undergoing allogeneic HCT at the University of Michigan C.S. Mott Children's Hospital during 2014 to 2017. Using EHR data, specifically vital sign measurements collected within the first 10 days of transplantation, we built a predictive model using penalized logistic regression for identifying patients at risk for grade II to IV aGVHD. We compared the proposed model with a baseline model trained only on patient and donor characteristics collected at the time of transplantation and performed an analysis of the importance of different input features. RESULTS: The proposed model outperformed the baseline model, with an area under the receiver operating characteristic curve of 0.659 versus 0.512 (P = .019). The feature importance analysis showed that the learned model relied most on temperature and systolic blood pressure, and temporal trends (eg, increasing or decreasing) were more important than the average values. CONCLUSION: Leveraging readily available clinical data from EHRs, we developed a machine-learning model for aGVHD prediction in patients undergoing HCT. Continuous monitoring of vital signs, such as temperature, could potentially help clinicians more accurately identify patients at high risk for aGVHD.