小児における鈍的外傷後の腹腔内損傷のリスク評価。機械学習モデルの導出と検証

Risk assessment for intra-abdominal injury following blunt trauma in children: Derivation and validation of a machine learning model.

• Christopher Pennell
• Conner Polet
• L Grier Arthur
• Harsh Grewal
• Stephen Aronoff

抄録

背景:

コンピュータ断層撮影は、腹腔内損傷（IAI）を診断するための基準となる基準であるが、高価であり、放射線被曝のリスクがある。Pediatric Emergency Care Applied Research Network（PECARN）モデルは、コンピュータ断層撮影が省略される可能性があるが、IAI-Iを積極的に予測するための個別化されたリスク評価を提供していない、介入を必要とするIAIのリスクが低い小児（IAI-I）を識別するものである。我々は、機械学習アルゴリズムをPECARN鈍性腹部外傷（BAT）データセットに実験的に適用し、小児のBAT犠牲者のIAI-Iの有無を予測するモデルを作成しようとした。

BACKGROUND: Computed tomography is the criterion standard for diagnosing intra-abdominal injury (IAI) but is expensive and risks radiation exposure. The Pediatric Emergency Care Applied Research Network (PECARN) model identifies children at low risk of IAI requiring intervention (IAI-I) in whom computed tomography may be omitted but does not provide an individualized risk assessment to positively predict IAI-I. We sought to apply machine learning algorithms to the PECARN blunt abdominal trauma (BAT) data set experimentally to create models for predicting both the presence and absence of IAI-I for pediatric BAT victims.

方法:

PECARNデータセットを用いて、IAI-Iの予測モデルを導出し、検証した。データセットは、導出（n = 7,940）と検証（n = 4,089）のサブセットに分割された。嘔吐、呼吸困難、Glasgow Coma Scaleスコア＜15、目に見える胸部または腹部外傷、シートベルトサイン、腹部膨満、圧痛または直腸出血、腹膜サイン、腸音不在、脇腹痛、骨盤痛または不安定性、性別、年齢、心拍数、呼吸数（RR）を含む19の臨床変数を用いて、6つのアルゴリズムが2つのモデルを作成するためにテストされた。IAI-Iの不在（低リスクモデル）または存在（高リスクモデル）を予測するために、5つのアルゴリズムが適合した。モデルはテストサブセットを用いて検証した。

METHODS: Using the PECARN data set, we derived and validated predictive models for IAI-I. The data set was divided into derivation (n = 7,940) and validation (n = 4,089) subsets. Six algorithms were tested to create 2 models using 19 clinical variables including emesis, dyspnea, Glasgow Coma Scale score of <15, visible thoracic or abdominal trauma, seatbelt sign, abdominal distension, tenderness or rectal bleeding, peritoneal signs, absent bowel sounds, flank pain, pelvic pain or instability, sex, age, heart rate, and respiratory rate (RR). Five algorithms were fitted to predict the absence (low-risk model) or presence (high-risk model) of IAI-I. Models were validated using the test subset.

結果:

低リスクモデルについては、テストセットを用いて検証したところ、4つのアルゴリズムがベースライン率（2.28％）よりも有意に良好であった。ランダムフォレストモデルは73％の小児を低リスクと同定し、予測されたIAI-I率は0.54％であった。高リスクモデルでは、6つのアルゴリズムすべてがベースライン率と比較して予測力を追加しており、最も高い報告リスクは39.0％でした。両方のモデルをウェブアプリケーションに組み込むことで、IAI-Iの小児特有のリスクを0.28％～39.0％の範囲で推定することができた 結論：我々は、BAT後のIAI-Iの小児特有のリスク推定を提供するツールを開発した。この一般に公開されているモデルは、小児の鈍的腹部外傷の被害者をトリアージする臨床医にとって強力なツールとなる。

RESULTS: For the low-risk model, four algorithms were significantly better than the baseline rate (2.28%) when validated using the test set. The random forest model identified 73% of children as low risk, having a predicted IAI-I rate of 0.54%. For the high-risk model, all six algorithms had added predictive power compared with the baseline rate with the highest reportable risk being 39.0%. By incorporating both models into a web application, child-specific risks of IAI-I can be estimated ranging from 0.28% to 39.0% CONCLUSION: We developed a tool that provides a child-specific risk estimate for IAI-I after BAT. This publically available model provides a powerful tool for clinicians triaging pediatric victims of blunt abdominal trauma.

証拠のレベル:

予後評価、レベルII。

LEVEL OF EVIDENCE: Prognostic, Level II.