定期的な臨床データによる死亡リスク予測の改善：EICU患者に基づく実用的な機械学習モデル

目的：死亡リスク予測は、臨床医が患者の医療でより良い決定を下すのに役立ちます。ただし、集中治療ユニット（ICU）で使用される既存の重大度スコアリングシステムまたはアルゴリズムは、多くの場合、複雑な変数の面倒な手動コレクションに依存しており、多様な臨床環境で十分な検証を欠いているため、実際的な適用性が制限されます。この研究の目的は、短期的な死亡リスク予測のために日常的に収集された臨床データを利用する機械学習モデルのパフォーマンスを評価することです。 患者と方法：EICU共同研究データベースを使用して、12,393人のICU患者のコホートを特定しました。これは、9：1の比率でトレーニンググループと検証グループにランダムに分割されました。このモデルは、患者の退院前の24時間以内に、年齢、性別、生理学的測定、血管作用薬の使用を含む通常の医療ワークフローから得られた日常的な変数を利用しました。4つの異なる機械学習アルゴリズム、すなわちロジスティック回帰、ランダムフォレスト、極端な勾配ブースト（xgboost）、および人工ニューラルネットワークが採用され、死亡リスク予測モデルが開発されました。1週間の時間枠内で死亡リスクを評価する際に、これらのモデルの識別とキャリブレーション性能を比較しました。 結果：テストされたモデルの中で、XGBoostアルゴリズムは最高のパフォーマンスを実証しました。受信機動作特性曲線（AUROC）0.9702の下の領域、精度およびリコール曲線（AUPRC）が0.8517、0.02599の好ましいよりも優れたスコアがあります。24時間の死亡リスク予測の場合。より大きなタイムウィンドウを考慮すると、モデルのパフォーマンスは低下しましたが、3日間の死亡リスク予測では、0.9184の同等のAUROCと0.5519のAUPRCが依然として達成されました。 結論：調査結果は、簡単にアクセスできる解釈データを備えた短期死亡リスク予測のXGBoostアルゴリズムに基づいて、非常に正確で十分に調整されたモデルを開発する可能性を示しています。これらの結果は、機械学習モデルの臨床診療への適用に対する自信を高めます。

PURPOSE: Mortality risk prediction helps clinicians make better decisions in patient healthcare. However, existing severity scoring systems or algorithms used in intensive care units (ICUs) often rely on laborious manual collection of complex variables and lack sufficient validation in diverse clinical environments, thus limiting their practical applicability. This study aims to evaluate the performance of machine learning models that utilize routinely collected clinical data for short-term mortality risk prediction. PATIENTS AND METHODS: Using the eICU Collaborative Research Database, we identified a cohort of 12,393 ICU patients, who were randomly divided into a training group and a validation group at a ratio of 9:1. The models utilized routine variables obtained from regular medical workflows, including age, gender, physiological measurements, and usage of vasoactive medications within a 24-hour period prior to patient discharge. Four different machine learning algorithms, namely logistic regression, random forest, extreme gradient boosting (XGboost), and artificial neural network were employed to develop the mortality risk prediction model. We compared the discrimination and calibration performance of these models in assessing mortality risk within 1-week time window. RESULTS: Among the tested models, the XGBoost algorithm demonstrated the highest performance, with an area under the receiver operating characteristic curve (AUROC) of 0.9702, an area under precision and recall curves (AUPRC) of 0.8517, and a favorable Brier score of 0.0259 for 24-hour mortality risk prediction. Although the model's performance decreased when considering larger time windows, it still achieved a comparable AUROC of 0.9184 and AUPRC of 0.5519 for 3-day mortality risk prediction. CONCLUSION: The findings demonstrate the feasibility of developing a highly accurate and well-calibrated model based on the XGBoost algorithm for short-term mortality risk prediction with easily accessible and interpretative data. These results enhance confidence in the application of the machine learning model to clinical practice.