院外心停止後の神経学的転帰予測：解釈可能な機械学習アプローチ
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：Prediction of neurologic outcome after out-of-hospital cardiac arrest: An interpretable approach with machine learning.
雑誌名：Resuscitation. 2024 Sep; 202: 110359.
概 要：
院外心停止（OHCA）は生存率が低い重篤な状態であり、自発循環の回復後、脳損傷が死亡の主要な原因となります。本研究では、入院時に利用可能な情報を用いてOHCA後の神経学的転帰を予測する解釈可能な機械学習アプローチを提案します。スウェーデン心肺蘇生登録に登録された55,615件のOHCA症例を用いて、モデルの開発と評価を行いました。
方 法：
研究対象は、2010年から2020年の間にスウェーデン心肺蘇生登録に登録された55,615件のOHCA症例です。データセットは、モデル開発用の訓練セットと検証セット、最終モデル評価用のテストセットに分割されました。XGBoostアルゴリズムを使用し、層化された反復10分割交差検証とOptunaフレームワークによるハイパーパラメータの調整を行いました。最終モデルは、重要度スコアに基づいて選択された10の特徴を用いて訓練され、識別力、キャリブレーション、バイアス-バリアンスのトレードオフに関してテストセットで評価されました。
結 果：
最終モデルは、受信者動作特性曲線の面積（AUROC）が0.964（95%信頼区間[0.960-0.968]）、感度0.606（95% CI [0.573-0.634]）、特異度0.975（95% CI [0.972-0.978]）、陽性的中率（PPV）0.664（95% CI [0.625-0.696]）、陰性的中率（NPV）0.969（95% CI [0.966-0.972]）、マクロF1スコア0.803（95% CI [0.788-0.816]）を達成し、非常に良好なキャリブレーションを示しました。モデルの出力に最も影響を与えたSHAP特徴は、「病院到着時のROSC」、「初期リズムが無脈性電気活動」、「病院到着時に意識がある」でした。
結 論：
入院時に利用可能な10の特徴を用いたXGBoost機械学習モデルは、OHCA後の神経学的転帰予測において良好な性能を示し、過学習の明らかな兆候は見られませんでした。