全国的な早期警告スコア、初期トリアージ情報、および機械学習分析を使用した浄化槽ショック予測のパフォーマンスの向上

背景：いくつかの研究では、国家の早期警告スコア（ニュース）が、敗血症性ショックに進行する可能性が高い救急部門（ED）患者の識別における他のスクリーニングツールに対する優位性を示していると報告しました。 目的：EDトリアージ中に収集された変数を追加することにより、浄化槽ショック予測のニュースのパフォーマンスを改善し、機械学習アルゴリズムを実装します。 方法：研究集団は、感染が疑われる成人ED患者で構成されています。ED到着後24時間以内に敗血症性ショックを検出するために、ニュース、年齢、性別、収縮期血圧、拡張期血圧、脈拍数、呼吸速度、体温、酸素飽和など、敗血症-3臨床基準と9つの変数が使用されました。このモデルは、ロジスティック回帰（LR）、極端な勾配ブースト（XGB）、および人工ニューラルネットワーク（ANN）アルゴリズムを使用して開発されました。評価は、受信機動作特性曲線（AUROC）、Hosmer-Lemeshow Test、およびNet Reclassification Index（NRI）の下の領域を使用して実行されました。 結果：全体として、41,687人の患者が登録されました。ニュース、年齢、性別、および6つのバイタルサイン（0.835-0.845）を備えたモデルのオーロックは、ベースラインモデル（0.804）よりも優れていました。XGBモデル（AUROC 0.845）は、LR（0.844）およびANN（0.835）と比較して、最も正確でした。LRおよびXGBモデルは十分に調整されていました。ただし、ANNはキャリブレーション能力が低いことを示しました。LRおよびXGBモデルは、NRIが正のベースラインモデルよりも優れた再分類を示しました。 結論：ニュース、年齢、性別、およびEDトリアージで収集された6つのバイタルサインを使用した敗血症性ショックをスクリーニングするためのモデルの識別力は、ベースラインニュースモデルを上回りました。

BACKGROUND: Several studies reported that the National Early Warning Score (NEWS) has shown superiority over other screening tools in discriminating emergency department (ED) patients who are likely to progress to septic shock. OBJECTIVES: To improve the performance of the NEWS for septic shock prediction by adding variables collected during ED triage, and to implement a machine-learning algorithm. METHODS: The study population comprised adult ED patients with suspected infection. To detect septic shock within 24 h after ED arrival, the Sepsis-3 clinical criteria and nine variables were used: NEWS, age, gender, systolic blood pressure, diastolic blood pressure, pulse rate, respiratory rate, body temperature, and oxygen saturation. The model was developed using logistic regression (LR), extreme gradient boosting (XGB), and artificial neural network (ANN) algorithms. The evaluations were performed using an area under the receiver operating characteristic curve (AUROC), Hosmer-Lemeshow test, and net reclassification index (NRI). RESULTS: Overall, 41,687 patients were enrolled. The AUROC of the model with NEWS, age, gender, and the six vital signs (0.835-0.845) was better than that of the baseline model (0.804). The XGB model (AUROC 0.845) was the most accurate, compared with LR (0.844) and ANN (0.835). The LR and XGB models were well calibrated; however, the ANN showed poor calibration power. The LR and XGB models showed better reclassification than the baseline model with positive NRI. CONCLUSION: The discrimination power of the model for screening septic shock using NEWS, age, gender, and the six vital signs collected at ED triage outperformed the baseline NEWS model.