国家毒データシステムから派生した機械学習モデルを使用した急性中毒曝露の分類

このパイロット研究の主な目的は、臨床症状に基づいて8つの中毒剤を予測および区別するための機械学習アルゴリズムを開発することでした。データは、2014年から2018年までの国立毒物データシステムから、8つの薬物または薬物クラス（アセトアミノフェン、アスピリン、ベンゾジアゼピン、ブプロピン、カルシウムチャネル遮断薬、ジフェンヒドラミン、リチウム、スルホニル尿症への単一エージェント曝露を受けた0〜89歳の患者について使用されました。）。4つの分類子予測モデルがデータに適用されました：ロジスティック回帰、LightGBM、XGBoost、およびCatBoost。アルゴリズムの開発とテストに使用される201 031のケースがありました。4つのモデルのうち、精度は77％〜80％で、精度とF1スコアは76％〜80％で、リコールは77％〜78％でした。全体的な特異性は、すべてのモデルで92％でした。精度は、スルホニル尿素、アセトアミノフェン、ベンゾジアゼピン、ジフェンヒドラミン中毒の同定で最も高かった。F1スコアは、スルホニル尿素、アセトアミノフェン、ベンゾジアゼピン中毒を正しく分類するために最も高かった。リコールは、スルホニル尿素、アセトアミノフェン、ベンゾジアゼピンで最も高く、ブプロピオンでは最も低かった。スルホニル尿素、カルシウムチャネル遮断薬、リチウム、アスピリンのモデルでは、特異性は99％以上でした。8つの可能な暴露の中で単一因子中毒の場合、臨床徴候と症状に基づく機械学習モデルが因果剤を適度に予測しました。CatBoostおよびLightGBM分類器モデルは、テストされたもののパフォーマンスが最も高くなりました。

The primary aim of this pilot study was to develop a machine learning algorithm to predict and distinguish eight poisoning agents based on clinical symptoms. Data were used from the National Poison Data System from 2014 to 2018, for patients 0-89 years old with single-agent exposure to eight drugs or drug classes (acetaminophen, aspirin, benzodiazepines, bupropion, calcium channel blockers, diphenhydramine, lithium and sulfonylureas). Four classifier prediction models were applied to the data: logistic regression, LightGBM, XGBoost, and CatBoost. There were 201 031 cases used to develop and test the algorithms. Among the four models, accuracy ranged 77%-80%, with precision and F1 scores of 76%-80% and recall of 77%-78%. Overall specificity was 92% for all models. Accuracy was highest for identifying sulfonylureas, acetaminophen, benzodiazepines and diphenhydramine poisoning. F1 scores were highest for correctly classifying sulfonylureas, acetaminophen and benzodiazepine poisonings. Recall was highest for sulfonylureas, acetaminophen, and benzodiazepines, and lowest for bupropion. Specificity was >99% for models of sulfonylureas, calcium channel blockers, lithium and aspirin. For single-agent poisoning cases among the eight possible exposures, machine learning models based on clinical signs and symptoms moderately predicted the causal agent. CatBoost and LightGBM classifier models had the highest performance of those tested.