MEDICINE & AI

タイトル：Combining Clinical-Radiomics Features With Machine Learning Methods for Building Models to Predict Postoperative Recurrence in Patients With Chronic Subdural Hematoma: Retrospective Cohort Study 雑誌名：J Med Internet Res. 2024 Aug 28; 26: e54944. 概　要： 慢性硬膜下血腫（CSDH）は一般的な医療状態であり、術後の再発リスクが高く、患者に身体的苦痛をもたらし、家族や医療システムに経済的負担をかけます。本研究は、機械学習（ML）技術を用いて、CSDHの術後再発の可能性を予測するモデルを構築することを目的としています。これにより、患者と医療システムにとっての利益を高めることが期待されます。 方　法： 133人の患者からデータを収集し、93人をトレーニングセット、40人をテストセットに分けました。術前の頭部CTスキャンからラジオミクス特徴を抽出し、臨床データと組み合わせてモデル開発の入力変数としました。4つの異なるMLアルゴリズムを用いて予測モデルを構築し、精度、AUC、リコール指標でその性能を評価しました。最適なモデルを特定し、特徴選択のために再帰的特徴除去を行い、予測精度を向上させました。外部検証も行い、他の医療機関からのデータセットを使用しました。 結　果： 厳密な実験分析の結果、臨床-ラジオミクス特徴に基づくサポートベクターマシンモデルが、CSDH患者の術後再発予測において最も効果的であることが明らかになりました。特徴選択後、モデルに重要な変数を組み込み、予測精度を向上させました。モデルの性能は、精度92.72%、AUC91.34%、リコール93.16%を示しました。外部検証でも、精度90.32%、AUC91.32%、リコール88.37%を達成し、臨床適用性が確認されました。 結　論： 本研究は、臨床-ラジオミクス特徴を用いたMLベースの予測モデルの実現可能性と臨床的意義を示しています。このモデルが臨床実践に統合されれば、診断と治療の精度向上、不要な検査や手術の削減、医療資源の無駄を減少させることに寄与する可能性があります。