機械学習による、一次逆行性配線を用いた慢性全置換術の成功予測

Predicting Successful Chronic Total Occlusion Crossing With Primary Antegrade Wiring Using Machine Learning.

抄録

背景:

一次Antegrade配線（AW）を用いた慢性全閉塞の横断成功予測に関するデータは限られている。

BACKGROUND: There is limited data on predicting successful chronic total occlusion crossing using primary antegrade wiring (AW).

目的:

本研究の目的は、一次AWを用いた慢性全閉塞の横断成功に関する機械学習（ML）予後予測モデルを開発し、検証することである。

OBJECTIVE: The aim of this study was to develop and validate a machine learning (ML) prognostic model for successful chronic total occlusion crossing using primary AW.

方法:

PROGRESS CTOレジストリ（Prospective Global Registry for the Study of Chronic Total Occlusion Intervention；NCT02061436）の48施設で2012年から2023年の間に施行された12,136例の一次AW症例のデータを用いて、5つのMLモデルを開発した。ハイパーパラメータのチューニングは、最も良好なパフォーマンスを示したモデルに対して行われ、特徴の重要性を推定するためにSHAP（SHapley Additive exPlanations）説明器が実装された。

METHODS: We used data from 12,136 primary AW cases performed between 2012 and 2023 at 48 centers in the PROGRESS CTO registry (Prospective Global Registry for the Study of Chronic Total Occlusion Intervention; NCT02061436) to develop 5 ML models. Hyperparameter tuning was performed for the model with the best performance, and the SHAP (SHapley Additive exPlanations) explainer was implemented to estimate feature importance.

結果:

プライマリAWは6,965件（57.4%）で成功した。Extreme gradient boostingは、受信者動作特性曲線下の平均面積が0.775（±0.010）で、MLモデルの中で最も性能が高かった。ハイパーパラメータ調整後、Extreme gradient boostingモデルの受信者動作特性曲線下平均面積は、トレーニングセットで0.782、テストセットで0.780であった。検討された因子の中で、閉塞長は一次AW横断成功の予測に最も大きな影響を与え、次いで鈍麻／切り株なし、インターベンショナルコラテラルの存在、血管径、近位キャップ曖昧性の順であった。対照的に、大動脈-骨膜病変の位置は転帰に最も影響を及ぼさなかった。一次AWワイヤリング横断術の成功を予測するためのウェブベースのアプリケーションはオンラインで利用可能である（PROGRESS-CTOウェブサイト）(https://www.progresscto.org/predict-aw-success)。

RESULTS: Primary AW was successful in 6,965 cases (57.4%). Extreme gradient boosting was the best performing ML model with an average area under the receiver-operating characteristic curve of 0.775 (± 0.010). After hyperparameter tuning, the average area under the receiver-operating characteristic curve of the extreme gradient boosting model was 0.782 in the training set and 0.780 in the testing set. Among the factors examined, occlusion length had the most significant impact on predicting successful primary AW crossing followed by blunt/no stump, presence of interventional collaterals, vessel diameter, and proximal cap ambiguity. In contrast, aorto-ostial lesion location had the least impact on the outcome. A web-based application for predicting successful primary AW wiring crossing is available online (PROGRESS-CTO website) (https://www.progresscto.org/predict-aw-success).

結論:

我々は，慢性完全閉塞経皮的冠動脈インターベンションにおける一次AWの成功について，14の特徴量と高い予測能力を有するMLモデルを開発した。

CONCLUSIONS: We developed an ML model with 14 features and high predictive capacity for successful primary AW in chronic total occlusion percutaneous coronary intervention.