【背景と目的】医師の長時間労働が問題となっているが、それが原因で重大な合併症のサインを見逃す恐れがある。合併症の予測が可能であれば、医療現場の負担軽減や患者予後の改善に役立つ。
合併症予測の先行研究はあるが、複数の合併症に対する予測とそのリスク要因の比較、時系列データに対応した深層学習モデルを活用した事例は少ない。
本研究では６つの入院後合併症に対して時系列を考慮した複数の予測モデルを構築し、説明可能なAIを用いてリスク要因の比較を行った。
【方法】宮崎大学医学部附属病院の2013年4月1日～2018年3月31日に入院した患者の患者属性、DPC等のデータおよび検査、オーダー等の時系列データを使用した。
対象の入院時疾患はICD10分類におけるC00-D48 新生物＜腫瘍＞とし、対象の入院後合併症を肺炎、敗血症、心不全、DIC、MRSA、好中球減少の６疾患とした。
データの前処理、特徴量の選定を行い、LSTM等複数の機械学習モデルを構築した。精度向上のため、キャリブレーション、アンサンブル学習の手法を用いた。
各入院後合併症の発症予測を行い、説明可能なAI（SHAP）を用いてリスク要因の比較を行った。
【結果】予測精度の評価指標としてAUCおよびF値、再現率、適合率を用い、各予測モデルの結果を比較した。
また各予測モデルにSHAPを適用し、各合併症の発症予測に対する特徴量の寄与度や相互作用を可視化し比較した。
【考察】入院時の患者情報のみを用いた予測モデルに対して、今回の予測モデルのAUCは向上した。要因として、オーダー等の時系列データを学習に用いたことが大きいと考えられる。
SHAPの結果から、各合併症に対して共通するリスク要因、独自のリスク要因が確認された。
【結語】今後は多施設の大規模医療情報データベースを用いることで、予測精度のさらなる向上や汎用的な機械学習モデルの獲得を予定している。