ヘモグロビンA1cを予測するための解釈可能な機械学習モデルを使用した2型糖尿病治療の決定の強化：機械学習モデルの開発

背景：2型糖尿病（T2D）は、世界的な健康上の重要な課題です。医師は、将来の血糖コントロールが、通常のケアと通常のケア治療の強化の現在の軌跡が不十分であるかどうかを評価する必要があり、結果を防ぐために余分な治療措置を講じることを検討できるようにします。ヘモグロビンA1C（HBA1C）レベルの傾向からの血糖コントロール不良を予測することは、季節変動やその他の要因の影響により困難です。 目的：T2Dが通常のケアを受けている患者の間で血糖コントロールの不良を正確に予測するモデルを開発しようとしました。 方法：当社の機械学習モデルは、トランスアーキテクチャを使用して、不規則な間隔のHBA1c時系列を処理し、各時点で過去のHBA1cレベルの時間的関係を定量化するための注意メカニズムを組み込んだトランスアーキテクチャを使用して、不十分な血糖コントロール（HBA1C≥8％）を予測します。東京大学病院のT2Dを見る7787人の患者からHBA1Cレベルを使用して、HBA1Cレベルを使用してモデルを評価しました。トレーニングデータには、通常のケア治療の強化により、通常のケア中に発生する血糖コントロールが不十分な場合が含まれます。レシーバー動作特性曲線の下の領域、精密回復曲線下の面積、および精度の領域とLightGBMの予測精度を比較しました。 結果：レシーバー動作特性曲線の下の面積、精密回復曲線の下の面積、および提案されたモデルの精度率（95％信頼限界）は0.925（95％CI 0.923-0.928）、0.864（95％CIそれぞれ0.852-0.875）および0.864（95％CI 0.86-0.869）。提案されたモデルは、LightGBMのパフォーマンスに匹敵する、またはそれを超える高い予測精度を達成しました。このモデルは、予測のために最新のHBA1Cレベルを優先しました。血糖コントロール不良患者の古いHBA1Cレベルは、血糖コントロールが良好な患者と比較して、予測にわずかに影響を与えました。 結論：提案されたモデルは、通常のケア治療の強化を受けている患者を含む通常のケアを受けているT2Dの患者の血糖コントロール不良を正確に予測し、医師は並外れた治療集中を保証する症例を特定できるようにします。非専門家が使用する場合、将来の貧しい血糖コントロールの可能性を示すモデルの兆候は、専門家への紹介を保証する可能性があります。将来の努力により、精度が向上するために多様で大規模な臨床データが組み込まれる可能性があります。

BACKGROUND: Type 2 diabetes (T2D) is a significant global health challenge. Physicians need to assess whether future glycemic control will be poor on the current trajectory of usual care and usual-care treatment intensifications so that they can consider taking extra treatment measures to prevent poor outcomes. Predicting poor glycemic control from trends in hemoglobin A1c (HbA1c) levels is difficult due to the influence of seasonal fluctuations and other factors. OBJECTIVE: We sought to develop a model that accurately predicts poor glycemic control among patients with T2D receiving usual care. METHODS: Our machine learning model predicts poor glycemic control (HbA1c≥8%) using the transformer architecture, incorporating an attention mechanism to process irregularly spaced HbA1c time series and quantify temporal relationships of past HbA1c levels at each time point. We assessed the model using HbA1c levels from 7787 patients with T2D seeing specialist physicians at the University of Tokyo Hospital. The training data include instances of poor glycemic control occurring during usual care with usual-care treatment intensifications. We compared prediction accuracy, assessed with the area under the receiver operating characteristic curve, the area under the precision-recall curve, and the accuracy rate, to that of LightGBM. RESULTS: The area under the receiver operating characteristic curve, the area under the precision-recall curve, and the accuracy rate (95% confidence limits) of the proposed model were 0.925 (95% CI 0.923-0.928), 0.864 (95% CI 0.852-0.875), and 0.864 (95% CI 0.86-0.869), respectively. The proposed model achieved high prediction accuracy comparable to or surpassing LightGBM's performance. The model prioritized the most recent HbA1c levels for predictions. Older HbA1c levels in patients with poor glycemic control were slightly more influential in predictions compared to patients with good glycemic control. CONCLUSIONS: The proposed model accurately predicts poor glycemic control for patients with T2D receiving usual care, including patients receiving usual-care treatment intensifications, allowing physicians to identify cases warranting extraordinary treatment intensifications. If used by a nonspecialist, the model's indication of likely future poor glycemic control may warrant a referral to a specialist. Future efforts could incorporate diverse and large-scale clinical data for improved accuracy.