入院患者の縦断的電子診療録を用いた臨床転帰予測のための深層学習モデル

概要

TransformerベースのTECOは、2,579例のCOVID-19入院患者データで学習し、ICU死亡予測でEDI、RF、XGBoostを一貫して上回り、ARDS関連のMIMIC外部データにも汎化した。臨床的に解釈可能な特徴も提示し、入院診療全般の早期警告システムとしての有用性が示唆される。

主要発見

• 開発データ（COVID-19コホート、n=2,579）でTECOはAUC 0.89–0.97を達成し、EDI（0.86–0.95）、RF（0.87–0.96）、XGBoost（0.88–0.96）を上回った。
• 外部MIMICテスト2データセットでは、TECOのAUCは0.65–0.77で、RF（0.59–0.75）およびXGBoost（0.59–0.74）より高かった。
• 死亡リスクと相関する臨床的に解釈可能な特徴を同定し、透明性とベッドサイド実装の可能性を支援した。

臨床的意義

医療機関はTECOのようなシステムを導入することで高リスクICU患者を早期に抽出し、ARDS等における人員配置、トリアージ、支持療法の強化判断を支援できる。

限界

• MIMICでは専有指標EDIが利用不可で、直接比較に制約がある
• 後ろ向きEHR設計であり、前向き評価と汎化性の検証が必要

今後の方向性

前向き多施設実装試験による臨床効果検証、キャリブレーションドリフト監視、公平性監査、臨床ワークフロー統合の評価が望まれる。