| Item type |
学術雑誌論文 / Journal Article(1) |
| 公開日 |
2024-06-26 |
| タイトル |
|
|
タイトル |
機械学習を用いた熱傷患者の入院死亡予測に関する検討 |
|
言語 |
ja |
| 言語 |
|
|
言語 |
jpn |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| 著者 |
山田, 祥子
椎野, 泰和
立石, 寛子
岡根, 尭弘
上野, 太輔
高橋, 治郎
宮本,聡美
井上, 貴博
YAMADA, Sachiko
SHIINO, Yasukazu
TATEISHI, Hiroko
OKANE, Takahiro
UENO, Daisuke
TAKAHASHI, Jiro
MIYAMOTO, Satomi
INOUE, Takahiro
|
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(日) |
|
|
|
ja |
|
|
川崎医科大学救急医学教室 |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| 著者所属(英) |
|
|
|
en |
|
|
Department of Acute Medicine, Kawasaki Medical School |
| キーワード |
|
|
言語 |
ja |
|
主題Scheme |
Other |
|
主題 |
熱傷 |
| キーワード |
|
|
言語 |
ja |
|
主題Scheme |
Other |
|
主題 |
予後予測 |
| キーワード |
|
|
言語 |
ja |
|
主題Scheme |
Other |
|
主題 |
機械学習 |
| キーワード |
|
|
言語 |
en |
|
主題Scheme |
Other |
|
主題 |
Burn injury |
| キーワード |
|
|
言語 |
en |
|
主題Scheme |
Other |
|
主題 |
Machine learning |
| キーワード |
|
|
言語 |
en |
|
主題Scheme |
Other |
|
主題 |
Mortality prediction |
| その他(別言語等)のタイトル |
|
|
その他のタイトル |
Machine Learning Models to Predict In-hospital Mortality in Burn Patients |
|
言語 |
en |
| 抄録(日) |
|
|
|
ja |
|
|
背景：熱傷の予後予測指標には様々な指標（従来指標）が提唱されているが，機械学習を用いた予後予測と直接の比較は行われていない．
目的：熱傷患者の予後予測について従来指標と機械学習モデルとを比較検討する．また，高齢者における予後予測精度を検証する
対象：2011年４月から2019年３月までに一般社団法人日本熱傷学会熱傷入院患者レジストリーに登録された20歳以上の患者（JSBI 群）および，川崎医科大学附属病院に2001年１月からの19年間に熱傷で入院した20歳以上の患者（KMS 群）を対象とする．
方法：JSBI 群を，JSBI-train 群とJSBI-test 群にわけ，JSBI-train 群を用いて機械学習モデルを作成し， JSBI-test 群で従来指標および機械学習モデルの予後予測能を，ROC 解析を用いて検討した．また， KMS 群を用いて外部検証を行った．JSBI-test 群を用いて高齢者における従来指標と機械学習モデルの予後予測能を検証した
結果：従来指標ではRevised baux score（RBS）が最も診断精度が高かったが，機械学習モデルすべてがRBS を上回る精度を示した．年齢層別解析により従来指標，機械学習モデルのいずれにおいても80歳以上の患者でその精度が低下しており，Prognostic burn index（PBI）よりも XGBoost モデルの精度が高かった（P = 0.036）．外部検証においても十分な予測能を予測能を有していた．
結語：熱傷の予後予測において機械学習モデルは従来指標を上回る精度を示した．また，高齢者において，本邦で一般的なPBI よりも XGBoost モデルが高い精度を示したがその差は僅かであり，併存疾患や治療撤退などの指標を投入することで，機械学習モデルの精度が上がる可能性がある． |
| 抄録(英) |
|
|
|
en |
|
|
BACKGROUND: Various conventional indices have beenproposed as prognostic indicators for burns, but they have not beendirectly compared with machine learning–based prognostic models.
OBJECTIVES: We compared conventional indices and machine learning models with hospitalization death as the primary outcome. Furthermore, we examined the prediction accuracy of the indices and models in older adults.
PARTICIPANTS: Patients aged 20 years or older who were registered in the Burn Inpatient Registry of the Japan Burn Injury Society betweenApril 2011 and March 2019 (JSBI group) and patients aged 20 years or older who were admitted to Kawasaki Medical School Hospital for burn injuries between January 2001, and December 2019 (KMS group).
RESULTS: Among the conventional indices, the revised Baux score (RBS) showed the highest accuracy in predicting death during hospitalization; however, all the machine learning models showed higher accuracy than the RBS. The accuracy of the XGBoost model was higher than that of the prognostic burn index (PBI) in a subgroup analysis of patients aged 80 years or older (P = 0.036). The external validation analysis revealed that the machine learning model adequately predicted in-hospital death, although its accuracy was lower than that of the internal validation model.
DISCUSSION: The accuracy in the KMS group was lower than that in the JSBI-test group, possibly because the patients in the KMS group had more severe burns than those in the JSBI- test group. Moreover, the influence of comorbidities and treatment discontinuation in older adults cannot be ruled out.
CONCLUSION: The machine learning models were more accurate than the conventional indices in predicting the prognosis of burns. In older patients with burns, the XGBoost model was more accurate than the PBI, which is commonly used in Japan, but the difference |
| 書誌情報 |
ja : 川崎医学会誌
en : Kawasaki medical journal
巻 49,
p. 7-18,
発行日 2023
|
| 出版者 |
|
|
出版者 |
川崎医学会 |
|
言語 |
ja |
| ISSN |
|
|
収録物識別子タイプ |
EISSN |
|
収録物識別子 |
2758-089X |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA12940574 |
| DOI |
|
|
|
識別子タイプ |
DOI |
|
|
関連識別子 |
http://doi.org/10.11482/KMJ-J202349007 |
| 記事種別(日) |
|
|
内容記述 |
原著論文 |
|
言語 |
ja |
| 記事種別(英) |
|
|
内容記述 |
Regular Article |
|
言語 |
en |
| 関連サイト |
|
|
|
識別子タイプ |
URI |
|
|
関連識別子 |
https://igakkai.kms-igakkai.com/wp/wp-content/uploads/2023/KMJ-J202349007.pdf |
| 著者版フラグ |
|
|
出版タイプ |
VoR |
|
出版タイプResource |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
PDF
