【背景】国内の COVID-19 の死者数のピークは流行の度に増加傾向にあり、診断時に死亡リスクの高い患者を同定することは重要である。先行研究では 、臨床情報と画像情報を同時に学習 させたneural network (以下、 NN とする) モデルにより COVID-19 患者の予後予測を行っており、ROC-AUC は 0.86 であった。一方、テーブルデータに対しては NN よりもツリー系モデルの方が上回るという報告がある。本研究では、 NN によって胸部X線画像を1次元に次元削減し、それを他の臨床情報と同等に扱うツリー系の予後予測モデルを構築し評価する 。
【方法】 Stony Brook University における 1313 例の COVID-19 患者公開データを用いた。DenseNet を用いて胸部 X 線画像のみによる全患者の予後予測を行い、その結果を臨床テーブルデータと結合させたデータに対して LightGBM (以下、 LGBM とする) による予後予測を行うモデル (以下、提案モデルとする) を作成した。また、テーブルデータにのみ LGBM を適用したモデルと、画像にのみ DenseNet を適用したモデルを作成し、先行研究と併せて提案モデルとの比較を行った。
【結果】提案モデル、テーブルデータのみのモデル、画像のみのモデルの院内死に対する f1 スコアはそれぞれ 0.59、0.58、0.25 であり、提案モデルのスコアが最も高かった。提案モデル、テーブルデータのみのモデル、画像のみのモデルの ROC-AUC はそれぞれ 0.91、0.93、0.55 であり、 テーブルデータのみのスコアが最も高く、先行研究の結果も上回った。提案モデルの変数重要度としては、画像が最も高かった。
【結論】 LGBM を使った場合、高い予測精度を実現することができ、テーブルデータが予測に大きく寄与することが示唆された。 一方、胸部X線画像の予測精度の改善余地について検討を要した。