MEDICINE & AI

タイトル：Machine learning glucose forecasting models for septic patients 雑誌名：Sci Rep. 2025 Nov 18; 15(1): 40432. doi: 10.1038/s41598-025-23057-0. Epub 2025 Nov 18. 概　要： 敗血症によるグルコースの変動は、集中治療において大きな課題であり、患者の転帰を改善するためには正確なグルコースのモニタリングと予測が重要です。本研究では、敗血症を伴う糖尿病患者から得られた連続グルコースモニタリングデータ（19,621データポイント）を用いて、複数の予測モデルを提案しました。これには、4つのトランスフォーマーベースのモデル（iTransformer、Crossformer、PatchTST、FEDformer）、動的線形モデル（DLinear）、およびChatGPT-4を活用したアンサンブルゼロショット推論法が含まれます。モデルの性能は、15分、30分、60分の予測ホライズンで評価され、最適化された30分のルックバックウィンドウが使用されました。PatchTSTは短期予測で最も低い平均最大パーセンテージ誤差（MMPE）3.0%を達成し、DLinearは長期予測で優れた性能を示しました（30分で7.46%、60分で14.41%のMMPE）。アンサンブルChatGPT-4アプローチも競争力のある結果を示しました。この研究は、ICUにおけるグルコース予測と管理のための先進的な予測モデルのツールボックスを提供します。 方　法： 本研究では、敗血症を伴う糖尿病患者から得られた連続グルコースモニタリングデータ（19,621データポイント）を使用した予測モデルの開発を行いました。モデルには、4つのトランスフォーマーベースのモデルと動的線形モデル、アンサンブルゼロショット推論法が含まれます。モデルの性能は、15分、30分、60分の予測ホライズンで評価されました。 結　果： PatchTSTは短期予測において最も低いMMPE（15分で3.0%）を達成し、DLinearは長期予測でのMMPEが30分で7.46%、60分で14.41%でした。アンサンブルChatGPT-4アプローチも競争力のある結果を示しました。 結　論： 本研究は、敗血症患者におけるグルコースモニタリングを支援するための機械学習モデルの可能性を示しました。特にDLinearとPatchTSTは、個別化された適応型の血糖コントロールに向けたデジタルツインの実装を促進する可能性があります。