画期的な機械モデルがICU患者の心停止を高精度で予測

Npj Digital Medicineで発表された画期的な研究において、研究者たちは、心電図（ECG）データを使用して集中治療室（ICU）患者の心停止を予測する際に卓越した精度を示す新しい機械学習（ML）モデルを明らかにしました。

改善された予測モデルの必要性の解明

集中ケア医学の進歩にもかかわらず、ICUに入院した患者における予期せぬ突然の心停止の発生率は課題となっています。院内心停止の多様な理由により、即時の検出のための正確な予測モデルの開発が必要であり、これにより心肺蘇生法（CPR）や早期除細動などの迅速かつ命を救う介入が可能になります。

以前のモデルは電子カルテ（EMR）からの臨床特徴に依存していましたが、さまざまなEMR変数の収集における制限により、ECGデータに基づくMLアルゴリズムへの移行が促されました。心電図ベースの予測モデルは、一定かつリアルタイムのモニタリングを保証し、院内心停止の予測における潜在的な突破口を提供します。

研究チームは、4,821人の患者を含む5,679回のICU滞在から構造化されたECGデータセットを慎重に構築しました。心電図信号を使用して、時間領域、周波数領域、非線形測定を含む74の心拍数変動（HRV）測定値の包括的なセットを計算しました。BorutaShapアルゴリズムは、予測モデルの入力特徴量としてこれらの測定値の33を選択しました。

研究者たちは、ライト勾配ブースティングマシン（LGBM）アルゴリズムを採用し、ベイズ最適化を使用してモデルのハイパーパラメータを最適化しました。主要な結果は0.5〜24時間以内の心停止の発生であり、二次的な結果はさまざまな時間間隔で考慮されました。

印象的な結果と比較分析

MLモデルは、主要な結果に対して受動操作者特性曲線下の面積（AUROC）0.881および精度-再現曲線下の面積（AUPRC）0.104という優れた数値を達成しました。モデルの識別性能は二次的な結果 across で堅牢であり、ICU患者の心停止予測におけるその信頼性を示しています。

臨床パラメータ（血圧、心拍数など43の特徴量を使用）に基づくモデルと比較したところ、HRV（心拍変動）指標を用いた本研究モデルは、有意に高いAUROC（0.881対0.735、p < 0.001）を示しました。これは、心停止の予測においてECGベースのMLモデルが優れていることを示しています。

主要なHRV指標の解明と将来の示唆

特徴量重要度分析により、RR間隔の20パーセンタイル（Prc20NN）、RR間隔ヒストグラムの三角補間（TINN）、RR間隔の四分位範囲（IQRNN）など、上位6つの指標が特定されました。これらの指標は、突然の心停止の約6時間前に動的な変化を示し、患者の心臓状態をリアルタイムで評価する上で貴重な洞察を提供しました。

本研究の結果は、高いIALS（加速/減速セグメント）が心臓状態の悪化と関連している可能性を示唆しており、MLモデルが突然の心停止のリスクがある患者を特定する可能性を強調しています。

本研究の重要な強みの一つは、モデルの高いアクセシビリティと多様な医療現場への転用可能性です。集中治療室（ICU）で標準的な実践である継続的なECGモニタリングにより、この予測モデルの臨床現場での適用は容易です。

本研究は重要なリアルタイムの洞察を提供していますが、研究者らはHRV指標と心停止の因果関係を確立するためにさらなる調査が必要であることを認めています。