入院中の縦断EHRを用いた臨床転帰予測のための深層学習モデル

概要

2,579例のCOVID-19入院患者で学習したTECO（Transformer）はICU死亡予測AUC 0.89–0.97を示し、EDI・RF・XGBoostを上回った。MIMIC-IVのARDS（2,799例）および敗血症（6,622例）コホートでの外部検証でもAUC 0.65–0.76の優位性を示し、臨床的に解釈可能な予測因子を抽出した。

主要発見

• 開発コホート（COVID-19）でTECOはAUC 0.89–0.97を達成し、EDI・RF・XGBoostを上回った。
• ARDS（2,799例）および敗血症（6,622例）での外部検証でもAUC 0.65–0.76でRF・XGBoostを凌駕した。
• 死亡と関連する臨床的に解釈可能な予測因子を特定した。

臨床的意義

前向き検証と統合が進めば、TECOはARDS（急性呼吸窮迫症候群）や敗血症の早期警告を強化し、早期介入・重点的モニタリング・トリアージの改善に資する。運用にはモデルガバナンス、施設適合の再校正、バイアス監査が必要。

限界

• 査読前プレプリントであり、外部検証があるとはいえ過学習の懸念が残る
• MIMIC以外の環境や前向き運用での一般化性能は未確立

今後の方向性

多施設前向き介入評価、公平性とドリフト監視、臨床家介入型ワークフローへの統合、ARDSにおける較正済みリスクスコアとの直接比較。