好酸球性慢性鼻副鼻腔炎を予測するためのバイオマーカーと臨床観察の機械学習：パイロット研究

Machine learning of biomarkers and clinical observation to predict eosinophilic chronic rhinosinusitis: a pilot study.

• Ryan T Thorwarth
• Derek W Scott
• Devyani Lal
• Michael J Marino

抄録

背景:

組織好酸球症による慢性鼻副鼻腔炎（CRS）のサブタイプ化は、予後や治療上の意味合いがあり、末梢好酸球数やポリープの状態だけでは予測が困難である。本研究の目的は、好酸球性CRS（eCRS）の予測のための機械学習をテストすることであった。

BACKGROUND: Subtyping chronic rhinosinusitis (CRS) by tissue eosinophilia has prognostic and therapeutic implications, and is difficult to predict using peripheral eosinophil counts or polyp status alone. The objective of this study was to test machine learning for prediction of eosinophilic CRS (eCRS).

方法:

入力変数は、末梢好酸球数、尿中ロイコトリエンE4（uLTE4）レベル、ポリープの状態と定義した。出力はeCRSの診断であり、組織好酸球数がハイパワーフィールドあたり10以上と定義された。CRS の手術を受けた患者をレトロスペクティブにレビューし、完全なデータセットを得た。eCRSの予測因子として各入力について一変量解析を行った。ロジスティック回帰および人工ニューラルネットワーク（ANN）機械学習モデルは、ランダムおよび外科医固有のトレーニング/テストデータセットを用いて開発された。

METHODS: Input variables were defined as peripheral eosinophil count, urinary leukotriene E4 (uLTE4) level, and polyp status. The output was diagnosis of eCRS, defined as tissue eosinophil count >10 per high-power field. Patients undergoing surgery for CRS were retrospectively reviewed for complete datasets. Univariate analysis was performed for each input as a predictor of eCRS. Logistic regression and artificial neural network (ANN) machine learning models were developed using random and surgeon specific training/test datasets.

結果:

合計 80 例の患者が包含基準を満たした。単変量解析では、末梢好酸球数およびuLTE4の曲線下面積（AUC）はそれぞれ0.738（95％信頼区間、0.616-0.840）および0.728（0.605-0.822）であった。ポリープの存在は94.1％の感度であったが、51.7％の特異度であった。ランダムデータと外科医別データを用いたロジスティック回帰モデルのAUCはそれぞれ0.882（0.665-0.970）および0.945（0.755-0.995）であった。ANNモデルでは、ランダムデータセットで0.918（0.756-0.975）、外科医別データセットで0.956（0.828-0.999）のAUCが得られた。ロジスティック回帰とANNのモデル比較では、統計的には差がなかった。すべての機械学習モデルは一変量解析よりも大きなAUCを有していた（すべてp<0.003） 結論。3つの臨床入力の機械学習は、この患者集団において高い感度と特異性でeCRSを予測する可能性がある。より大規模で多様な患者集団を用いた前向きな調査が必要である。この論文は著作権で保護されている。すべての権利を保有しています。

RESULTS: A total of 80 patients met inclusion criteria. In univariate analysis, area under the curve (AUC) for peripheral eosinophil count and uLTE4 were 0.738 (95% confidence interval, 0.616-0.840) and 0.728 (0.605-0.822), respectively. Presence of polyps was 94.1% sensitive, but 51.7% specific. Logistic regression models using random and surgeon specific datasets resulted in AUC of 0.882 (0.665-0.970) and 0.945 (0.755-0.995) respectively. ANN models resulted in AUC of 0.918 (0.756-0.975) and 0.956 (0.828-0.999) using random and surgeon specific datasets, respectively. Model comparison of logistic regression and ANN was not statistically different. All machine learning models had AUC greater than univariate analyses (all p<0.003) CONCLUSIONS: Machine learning of three clinical inputs has the potential to predict eCRS with high sensitivity and specificity in this patient population. Prospective investigation using larger and more diverse populations is warranted. This article is protected by copyright. All rights reserved.

This article is protected by copyright. All rights reserved.