この研究は、機械学習技術の潜在的な可能性を探るものであり、特にコミュニティーに獲得した肺炎（CAP）における現在の臨床ツールの予測能力の向上に焦点を当てています。
この研究は、機械学習技術の潜在的な可能性を探るものであり、特にコミュニティーに獲得した肺炎（CAP）における現在の臨床ツールの予測能力の向上に焦点を当てています。研究者たちは、CAPの死亡率を予測するための原因性確率ネットワーク（CPN）モデルを実装して検証することを目的としています。この研究は、スペインの大学に所属する2つの病院で行われた回顧的な派生検証分析を含みます。
研究者たちは、CAPに適応されたCPN（SeF-ML）を、敗血症における死亡率予測に最初に開発されたものと比較し、Sequential Organ Failure Assessment（SOFA）、Pneumonia Severity Index（PSI）、quick Sequential Organ Failure Assessment（qSOFA）、CURB-65（混乱、尿素、呼吸数、BP、年齢65歳以上）の予測能力を比較しました。SeFモデルはプロプライエタリです。相関受信者操作特性曲線に対するDeLong技術を使用して、曲線間の相違点を評価しました。
派生コホートには4,531人、検証コホートには1,034人の患者がいました。30日間の死亡率予測におけるSeF-ML、CURB-65、SOFA、PSI、qSOFAのAUCは、派生コホートではそれぞれ0.801、0.759、0.671、0.799、0.642でした。検証研究におけるSeF-AUC MLは0.826であり、トレーニングデータ（0.801）と一致しています（P =.51）。SeF-AUC MLは0.764であり、CURB-65（0.764、P =.03）およびqSOFA（0.729、P =.005）よりも有意に高かった。ただし、PSI（0.830、P =.92）またはSOFA（0.771、P =.14）とは有意に異なりませんでした。SeF-MLは、構造化された健康データを使用して、CAPの患者の死亡率予測能力を向上させる可能性があることを示しています。一般化を強化するために、より多くの外部検証を含む研究が必要です。
