頸動脈内膜摘出術患者における術後早期高血圧を予測するための機械学習アプローチ

A Machine Learning Approach for Predicting Early Phase Postoperative Hypertension in Carotid Endarterectomy Patients.

• Jinyun Tan
• Qi Wang
• Weihao Shi
• Kun Liang
• Bo Yu
• Qingqing Mao

抄録

目的:

本研究は、頸動脈内膜摘出術（CEA）後に静脈内血管拡張薬の投与を必要とする術後早期高血圧（EPOH）を予測するための機械学習ベースのモデルを確立し、検証することを目的としている。

OBJECTIVES: This study aimed to establish and validate a machine learning-based model for the prediction of early phase postoperative hypertension (EPOH) requiring the administration of intravenous vasodilators after carotid endarterectomy (CEA).

方法:

2013年1月から2019年8月までに実施された連続したCEA手術の周術期データをレトロスペクティブに収集した。CEA後の患者でEPOHと定義したのは、収縮期血圧が160mmHgを超え、血管病棟に戻ってから最初の24時間以内に血管拡張薬の静脈内投与を必要とする高血圧であった。予測モデルの構築には勾配ブースト回帰木（GBRT）を用い、モデル内の各木に対する各特徴の寄与度を用いて特徴重要度スコアを生成した。モデルの性能を評価するために、受信機動作特性曲線下面積(AUC)を主要指標として用いた。データセットに対して4重層化クロスバリデーションを行い、4重層の平均性能を最終的なモデル性能として報告した。

METHODS: Perioperative data from consecutive CEA procedures performed from Jan 2013 to August 2019 were retrospectively collected. EPOH was defined in post-CEA patients as hypertension involving a systolic blood pressure above 160 mmHg and requiring the administration of any intravenous vasodilator medications in the first 24 hours after a return to the vascular ward. Gradient boosted regression trees (GBRT) were used to construct the predictive model, and the featured importance scores were generated by using each feature's contribution to each tree in the model. To evaluate the model performance, the area under the receiver operating characteristic curve (AUC) was used as the main metric. Four-fold stratified cross-validation was performed on the dataset, and the average performance of the four folds was reported as the final model performance.

結果:

全身麻酔下で合計 406 例の CEA 手術を行った．53 例（13.1%）が EPOH の定義を満たしていた．入院中の術後脳卒中/死亡の割合には、EPOHを有する患者と有さない患者で有意差はなかった。EPOH患者では、術後脳過灌流症候群の発生率が高く（7.5％対0、p<.001）、脳出血の発生率も高かった（3.8％対0、p<.001）。GBRT予測モデルの平均AUCは0.77（95％CI .62～0.92）であった。感度を0.90付近に固定した場合、モデルは平均特異度0.52（95％CI .28～0.75）を達成した。

RESULTS: A total of 406 CEA operations were performed under general anesthesia. Fifty-three patients (13.1%) met the definition of EPOH. There was no significant difference in the percentage of postoperative stroke/death between patients with and without EPOH during the hospital stay. EPOH patients exhibited a higher incidence of postoperative cerebral hyperperfusion syndrome (7.5% vs 0, p<.001), as well as a higher incidence of cerebral hemorrhage (3.8% vs 0, p<.001). The GBRT prediction model achieved an average AUC of .77 (95% CI .62 to .92). When the sensitivity was fixed near .90, the model achieved an average specificity of .52 (95% CI .28 to .75).

結論:

我々は、CEA後のEPOHを機械学習に基づいて予測する世界初のモデルを構築した。単施設データベースからの検証結果は非常に有望であった。この新しい予測モデルは、血管外科医がハイリスク患者を特定し、関連する合併症をより効率的に軽減するのに役立つ可能性を秘めている。

CONCLUSIONS: We have built the first-ever machine learning-based prediction model for EPOH after CEA. The validation result from our single-center database was very promising. This novel prediction model has the potential to help vascular surgeons identify high-risk patients and reduce related complications more efficiently.

Copyright © 2020 Elsevier Inc. All rights reserved.