大規模国内データベースを用いた多モーダルECMO予測：資源集約的治療の連続予測モデル

概要

N3C（101,400例）を用いた階層型深層学習モデルは、ECMO導入の最大96時間前まで連続予測し、全時間軸で従来機械学習モデルを上回りました。解釈性解析により、経時的に変化する特徴量の重要性が示されました。

主要発見

• 静的情報と多粒度時系列を統合する階層型深層学習モデルを開発。
• 対象は101,400例で、1,298例（1.28%）がECMO導入。
• ECMO導入0〜96時間前の全時点で、ロジスティック回帰・SVM・RF・XGBoostを精度・適合率で上回った。
• 解釈性解析により、患者経過に応じた特徴量の寄与の変動が示された。

臨床的意義

前向き検証が完了すれば、PreEMPT-ECMOは早期の専門コンサルトや転送・カニュレーション準備を促し、紹介基準の標準化と遅延削減に寄与し得ます。

限界

• 後ろ向き開発で交絡・データシフトの影響を受け得る。
• COVID期コホートに基づくため、非COVID難治性呼吸不全への一般化には前向き検証が必要。

今後の方向性

多施設での前向きサイレント運用、人間参加型評価、公平性監査、非COVID ARDS外部検証により、臨床効果と安全性を検証すべきです。