論文の概要: Interpretable Machine Learning Model for Early Prediction of Acute Kidney Injury in Critically Ill Patients with Cirrhosis: A Retrospective Study

• arxiv url: http://arxiv.org/abs/2508.10233v1
• Date: Wed, 13 Aug 2025 23:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.135151
• Title: Interpretable Machine Learning Model for Early Prediction of Acute Kidney Injury in Critically Ill Patients with Cirrhosis: A Retrospective Study
• Title（参考訳）: 重症肝硬変患者の急性腎損傷早期予測のための解釈型機械学習モデルの検討
• Authors: Li Sun, Shuheng Chen, Junyi Fan, Yong Si, Minoo Ahmadi, Elham Pishgar, Kamiar Alaei, Maryam Pishgar,
• Abstract要約: 肝硬変は進行性肝疾患であり、死亡率が高く、合併症も頻発する。 多くの予測ツールは、精度、解釈可能性、集中治療ユニット(ICU)との整合性を欠いている。 本研究は,肝硬変患者の早期AKI予測のための解釈可能な機械学習モデルを開発した。
• 参考スコア（独自算出の注目度）: 3.5626691568652507
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Cirrhosis is a progressive liver disease with high mortality and frequent complications, notably acute kidney injury (AKI), which occurs in up to 50% of hospitalized patients and worsens outcomes. AKI stems from complex hemodynamic, inflammatory, and metabolic changes, making early detection essential. Many predictive tools lack accuracy, interpretability, and alignment with intensive care unit (ICU) workflows. This study developed an interpretable machine learning model for early AKI prediction in critically ill patients with cirrhosis. Methods: We conducted a retrospective analysis of the MIMIC-IV v2.2 database, identifying 1240 adult ICU patients with cirrhosis and excluding those with ICU stays under 48 hours or missing key data. Laboratory and physiological variables from the first 48 hours were extracted. The pipeline included preprocessing, missingness filtering, LASSO feature selection, and SMOTE class balancing. Six algorithms-LightGBM, CatBoost, XGBoost, logistic regression, naive Bayes, and neural networks-were trained and evaluated using AUROC, accuracy, F1-score, sensitivity, specificity, and predictive values. Results: LightGBM achieved the best performance (AUROC 0.808, 95% CI 0.741-0.856; accuracy 0.704; NPV 0.911). Key predictors included prolonged partial thromboplastin time, absence of outside-facility 20G placement, low pH, and altered pO2, consistent with known cirrhosis-AKI mechanisms and suggesting actionable targets. Conclusion: The LightGBM-based model enables accurate early AKI risk stratification in ICU patients with cirrhosis using routine clinical variables. Its high negative predictive value supports safe de-escalation for low-risk patients, and interpretability fosters clinician trust and targeted prevention. External validation and integration into electronic health record systems are warranted.
• Abstract（参考訳）: 背景: 肝硬変は進行性疾患であり, 死亡率が高く, 合併症も頻発し, 特に急性腎障害(AKI)は入院患者の最大50%で発症し, 予後が悪化する。 AKIは複雑な血行動態、炎症、代謝の変化に由来するため、早期発見が不可欠である。 多くの予測ツールは、精度、解釈可能性、集中治療ユニット(ICU)ワークフローとの整合性を欠いている。 本研究は,肝硬変患者の早期AKI予測のための解釈可能な機械学習モデルを開発した。 方法:MIMIC-IV v2.2データベースを用いて,肝硬変1240例の成人ICUを同定し,48時間以内にICUを除外した。 最初の48時間から実験室および生理的変数を抽出した。 パイプラインには前処理、欠陥フィルタリング、LASSO機能選択、SMOTEクラスバランシングが含まれていた。 LightGBM、CatBoost、XGBoost、ロジスティック回帰、ナイーブベイズ、ニューラルネットワークの6つのアルゴリズムは、AUROC、精度、F1スコア、感度、特異性、予測値を用いて訓練され評価された。 結果: LightGBM は最高性能 (AUROC 0.808,95% CI 0.741-0.856; 精度 0.704; NPV 0.911) を達成した。 主要な予測因子には、長期部分トロンボプラスチン時間、外因性20G配置の欠如、pHの低下、pO2の変化があり、既知の肝硬変-AKI機構と一致し、作用可能な標的が示唆された。 結論: LightGBM をベースとしたモデルにより,ICU 患者の早期 AKI リスク層形成の精度が向上する。 その高い負の予測値は、リスクの低い患者にとって安全な脱エスカレーションをサポートし、解釈可能性は臨床医の信頼と予防を奨励する。 電子健康記録システムへの外部検証と統合が保証されている。

関連論文リスト

• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
  集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-18T22:04:12Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Machine Learning-Based Prediction of ICU Mortality in Sepsis-Associated Acute Kidney Injury Patients Using MIMIC-IV Database with Validation from eICU Database [0.0]
  Sepsis-Associated acute Kidney Injury (SA-AKI) は集中治療において高い死亡率をもたらす。 本研究では,SA-AKI患者のICU死亡率を予測する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-02-25T08:49:22Z)
• Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
  尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
  論文  参考訳（メタデータ） (2025-02-18T12:01:55Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。