JP2020507838A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2020507838A5 JP2020507838A5 JP2019536887A JP2019536887A JP2020507838A5 JP 2020507838 A5 JP2020507838 A5 JP 2020507838A5 JP 2019536887 A JP2019536887 A JP 2019536887A JP 2019536887 A JP2019536887 A JP 2019536887A JP 2020507838 A5 JP2020507838 A5 JP 2020507838A5
- Authority
- JP
- Japan
- Prior art keywords
- subject
- sample
- interleukin
- levels
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010035664 Pneumonia Diseases 0.000 claims description 103
- 238000007635 classification algorithm Methods 0.000 claims description 76
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 206010022114 Injury Diseases 0.000 claims description 23
- 102000015696 Interleukins Human genes 0.000 claims description 18
- 108010063738 Interleukins Proteins 0.000 claims description 18
- 210000003743 Erythrocytes Anatomy 0.000 claims description 17
- 102000003814 Interleukin-10 Human genes 0.000 claims description 17
- 108090000174 Interleukin-10 Proteins 0.000 claims description 17
- 229940076144 Interleukin-10 Drugs 0.000 claims description 17
- 210000003324 RBC Anatomy 0.000 claims description 17
- 239000010836 blood and blood product Substances 0.000 claims description 14
- 102000004169 proteins and genes Human genes 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 210000001772 Blood Platelets Anatomy 0.000 claims description 10
- 102000010789 Interleukin-2 Receptors Human genes 0.000 claims description 8
- 108010038453 Interleukin-2 Receptors Proteins 0.000 claims description 8
- 102000000704 Interleukin-7 Human genes 0.000 claims description 8
- 108010002586 Interleukin-7 Proteins 0.000 claims description 8
- 229940100994 Interleukin-7 Drugs 0.000 claims description 8
- 102000004890 Interleukin-8 Human genes 0.000 claims description 8
- 108090001007 Interleukin-8 Proteins 0.000 claims description 8
- 229940096397 Interleukin-8 Drugs 0.000 claims description 8
- XKTZWUACRZHVAN-VADRZIEHSA-N Interleukin-8 Chemical compound C([C@H](NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@@H](NC(C)=O)CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H]([C@@H](C)O)C(=O)NCC(=O)N[C@@H](CCSC)C(=O)N1[C@H](CCC1)C(=O)N1[C@H](CCC1)C(=O)N[C@@H](C)C(=O)N[C@H](CC(O)=O)C(=O)N[C@H](CCC(O)=O)C(=O)N[C@H](CC(O)=O)C(=O)N[C@H](CC=1C=CC(O)=CC=1)C(=O)N[C@H](CO)C(=O)N1[C@H](CCC1)C(N)=O)C1=CC=CC=C1 XKTZWUACRZHVAN-VADRZIEHSA-N 0.000 claims description 8
- 239000003102 growth factor Substances 0.000 claims description 8
- 102000000646 Interleukin-3 Human genes 0.000 claims description 7
- 108010002386 Interleukin-3 Proteins 0.000 claims description 7
- 229940100601 Interleukin-6 Drugs 0.000 claims description 7
- 102000004889 Interleukin-6 Human genes 0.000 claims description 7
- 108090001005 Interleukin-6 Proteins 0.000 claims description 7
- 239000000090 biomarker Substances 0.000 claims description 7
- 108010055165 Chemokine CCL4 Proteins 0.000 claims description 6
- 108010023402 Interleukin 1 Receptor Antagonist Protein Proteins 0.000 claims description 6
- 102000003777 Interleukin-1 beta Human genes 0.000 claims description 6
- 108090000193 Interleukin-1 beta Proteins 0.000 claims description 6
- 102000016664 Interleukin-1 receptor antagonist Human genes 0.000 claims description 6
- 102000013462 Interleukin-12 Human genes 0.000 claims description 6
- 108010065805 Interleukin-12 Proteins 0.000 claims description 6
- 229940117681 Interleukin-12 Drugs 0.000 claims description 6
- 102000003812 Interleukin-15 Human genes 0.000 claims description 6
- 108090000172 Interleukin-15 Proteins 0.000 claims description 6
- 102000013691 Interleukin-17 Human genes 0.000 claims description 6
- 108050003558 Interleukin-17 family Proteins 0.000 claims description 6
- 102000000588 Interleukin-2 Human genes 0.000 claims description 6
- 108010002350 Interleukin-2 Proteins 0.000 claims description 6
- 102000004388 Interleukin-4 Human genes 0.000 claims description 6
- 108090000978 Interleukin-4 Proteins 0.000 claims description 6
- 229940028885 Interleukin-4 Drugs 0.000 claims description 6
- 102000000743 Interleukin-5 Human genes 0.000 claims description 6
- 108010002616 Interleukin-5 Proteins 0.000 claims description 6
- 229940100602 Interleukin-5 Drugs 0.000 claims description 6
- 102000000852 Tumor Necrosis Factor-alpha Human genes 0.000 claims description 6
- 108010001801 Tumor Necrosis Factor-alpha Proteins 0.000 claims description 6
- 230000003187 abdominal Effects 0.000 claims description 6
- 239000003407 interleukin 1 receptor blocking agent Substances 0.000 claims description 6
- 108010055205 Chemokine CCL3 Proteins 0.000 claims description 5
- 229940076264 Interleukin-3 Drugs 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 210000000038 chest Anatomy 0.000 claims description 5
- 210000000601 Blood Cells Anatomy 0.000 claims description 4
- 102100019487 CCL11 Human genes 0.000 claims description 4
- 101700074178 CCL11 Proteins 0.000 claims description 4
- 102100006400 CSF2 Human genes 0.000 claims description 4
- 102000001326 Chemokine CCL4 Human genes 0.000 claims description 4
- 210000003414 Extremities Anatomy 0.000 claims description 4
- 108010017213 Granulocyte-Macrophage Colony-Stimulating Factor Proteins 0.000 claims description 4
- 102000003816 Interleukin-13 Human genes 0.000 claims description 4
- 108090000176 Interleukin-13 Proteins 0.000 claims description 4
- 102000004125 Interleukin-1alpha Human genes 0.000 claims description 4
- 108010082786 Interleukin-1alpha Proteins 0.000 claims description 4
- 102100016449 CCL5 Human genes 0.000 claims description 3
- 101700063377 CCL5 Proteins 0.000 claims description 3
- 102000000013 Chemokine CCL3 Human genes 0.000 claims description 3
- 210000002889 Endothelial Cells Anatomy 0.000 claims description 3
- 102100007155 FGF1 Human genes 0.000 claims description 3
- 101700064732 FGF1 Proteins 0.000 claims description 3
- 102100008634 FGF2 Human genes 0.000 claims description 3
- 101700082364 FGF2 Proteins 0.000 claims description 3
- 101700046422 IFNA Proteins 0.000 claims description 3
- 101700086956 IFNG Proteins 0.000 claims description 3
- 102100016020 IFNG Human genes 0.000 claims description 3
- 102000000589 Interleukin-1 Human genes 0.000 claims description 3
- 108010002352 Interleukin-1 Proteins 0.000 claims description 3
- 210000002540 Macrophages Anatomy 0.000 claims description 3
- 210000003491 Skin Anatomy 0.000 claims description 3
- 230000027455 binding Effects 0.000 claims description 3
- 230000003399 chemotactic Effects 0.000 claims description 3
- 230000001815 facial Effects 0.000 claims description 3
- 210000002950 fibroblast Anatomy 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 239000003446 ligand Substances 0.000 claims description 3
- 210000003556 vascular endothelial cell Anatomy 0.000 claims description 3
- 210000003714 Granulocytes Anatomy 0.000 claims 4
- 230000001052 transient Effects 0.000 claims 3
- 102100003160 CCL3 Human genes 0.000 claims 2
- 102100003170 CCL4 Human genes 0.000 claims 2
- 230000010261 cell growth Effects 0.000 claims 2
- 238000003066 decision tree Methods 0.000 claims 2
- 238000007477 logistic regression Methods 0.000 claims 2
- 239000000203 mixture Substances 0.000 claims 2
- 230000001537 neural Effects 0.000 claims 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000007637 random forest analysis Methods 0.000 claims 2
- 230000000875 corresponding Effects 0.000 description 39
- 210000002966 Serum Anatomy 0.000 description 19
- 230000001809 detectable Effects 0.000 description 8
- 200000000019 wound Diseases 0.000 description 6
- 239000003242 anti bacterial agent Substances 0.000 description 5
- 239000003443 antiviral agent Substances 0.000 description 5
- 210000001015 Abdomen Anatomy 0.000 description 4
- 102100009686 CXCL9 Human genes 0.000 description 3
- 101700052645 CXCL9 Proteins 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 229940064005 Antibiotic throat preparations Drugs 0.000 description 2
- 229940083879 Antibiotics FOR TREATMENT OF HEMORRHOIDS AND ANAL FISSURES FOR TOPICAL USE Drugs 0.000 description 2
- 229940042052 Antibiotics for systemic use Drugs 0.000 description 2
- 229940042786 Antitubercular Antibiotics Drugs 0.000 description 2
- 210000004369 Blood Anatomy 0.000 description 2
- 206010070976 Craniocerebral injury Diseases 0.000 description 2
- 102000004269 Granulocyte Colony-Stimulating Factor Human genes 0.000 description 2
- 108010017080 Granulocyte Colony-Stimulating Factor Proteins 0.000 description 2
- 229940093922 Gynecological Antibiotics Drugs 0.000 description 2
- 229940024982 Topical Antifungal Antibiotics Drugs 0.000 description 2
- 208000005765 Traumatic Brain Injury Diseases 0.000 description 2
- 230000003115 biocidal Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drugs Drugs 0.000 description 2
- 229940079866 intestinal antibiotics Drugs 0.000 description 2
- 229940005935 ophthalmologic Antibiotics Drugs 0.000 description 2
- 238000003753 real-time PCR Methods 0.000 description 2
- 206010027652 Abdominal injury Diseases 0.000 description 1
- 208000007615 Blast Injury Diseases 0.000 description 1
- 208000004703 Crush Injury Diseases 0.000 description 1
- 208000004551 Gunshot Wounds Diseases 0.000 description 1
- 108010050904 Interferons Proteins 0.000 description 1
- 102000014150 Interferons Human genes 0.000 description 1
- 206010061229 Lung infection Diseases 0.000 description 1
- 210000003281 Pleural Cavity Anatomy 0.000 description 1
- 208000002151 Pleural Effusion Diseases 0.000 description 1
- 108010026552 Proteome Proteins 0.000 description 1
- 229920001186 RNA-Seq Polymers 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 230000001154 acute Effects 0.000 description 1
- 230000000721 bacterilogical Effects 0.000 description 1
- 230000001684 chronic Effects 0.000 description 1
- 201000009910 diseases by infectious agent Diseases 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000002757 inflammatory Effects 0.000 description 1
- 229940079322 interferon Drugs 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000001483 mobilizing Effects 0.000 description 1
- 230000001717 pathogenic Effects 0.000 description 1
- 244000052769 pathogens Species 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000241 respiratory Effects 0.000 description 1
- 230000004936 stimulating Effects 0.000 description 1
Description
いくつかの実施形態によると、その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための薬剤の調製における抗生物質または抗ウイルス剤の使用が提供され、対象は、これらの方法のうちのいずれかによって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている。
本発明は、例えば、以下を提供する。
(項目1)
対象の肺炎転帰を予測するための方法であって、
1つまたはそれを上回るプロセッサによって、複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第1の値を前記複数の第1の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記1つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算するステップと、
前記1つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記1つまたはそれを上回るプロセッサによって、少なくとも1つの第2の対象に関して、前記複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記モデルパラメータの対応するサブセットおよび前記少なくとも1つの臨床パラメータの第2の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を計算するステップと、
前記1つまたはそれを上回るプロセッサによって、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を出力するステップと
を含む、方法。
(項目2)
対象における肺炎転帰を予測するためのモデルを生成するための方法であって、
1つまたはそれを上回るプロセッサによって、複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第1の値を前記複数の第1の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記1つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算するステップと、
前記1つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記1つまたはそれを上回るプロセッサによって、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するステップと
を含む、方法。
(項目3)
対象の肺炎転帰を予測するための方法であって、
第2の対象に関して、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信するステップと、
前記第1の対象の少なくとも1つの臨床パラメータの第2の値を使用して、分類アルゴリズムを実行し、前記第1の対象に特有の肺炎転帰を予測するステップであって、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第1の対象の複数の臨床パラメータの第1の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択される、ステップと、
前記第2の対象に特有の予測肺炎転帰を出力するステップと
を含む、方法。
(項目4)
前記対象は、爆風損傷、圧挫損傷、銃創、または四肢創傷等の肺炎を発症する危険に前記対象をさらす損傷を有する、前記項目のいずれかに記載の方法。
(項目5)
前記モデルパラメータの対応するサブセットを使用して、前記候補分類アルゴリズムによって生成される前記予測肺炎転帰は、(i)前記第2の対象が肺炎を有するという指標または(ii)前記第2の対象が肺炎を発症する危険性があるという指標のうちの少なくとも1つを含み、
第1の対象毎に受信される前記肺炎転帰は、(i)浸潤物、空洞現象、胸水、または合併のうちの少なくとも1つを示す胸部放射線検査、および(ii)定量化された呼吸培養からの病原体の単離から選択される、少なくとも1つを通して診断される、確認された肺感染症に基づく、
項目1または3のいずれかに記載の方法。
(項目6)
各第1の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第1の対象毎に受信される、前記臨床パラメータは、性別、年齢、損傷の日付、損傷の場所、腹部損傷の存在、損傷の機構、創傷深度、創傷表面積、創傷清拭の回数、関連付けられる損傷、創傷閉鎖のタイプ、創傷閉鎖の成功、輸血の要件、輸血される血液製剤の総数、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、全濃厚RBCのレベル、外傷重症度スコア(ISS)、腹部のAIS、頭部のAIS、胸部(胸郭)のAIS、急性生理学および慢性健康評価II(APACHE II)スコア、前記対象からのサンプル中の臨界定着(CC)の存在、外傷性脳損傷の存在、外傷性脳損傷の重症度、入院期間、集中治療室(ICU)の滞在期間、人工呼吸器の装着日数、病院からの退院、院内感染症の発症、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン−10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン−3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン−6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン−7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン−8(IL−8)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、および前記対象からのサンプル中のエオタキシンのレベルから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目7)
各第1の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第1の対象毎に受信される、前記臨床パラメータは、バイオマーカ臨床パラメータ、血液製剤の投与臨床パラメータ、または外傷重症度スコア臨床パラメータから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目8)
前記臨床パラメータは、前記対象からのサンプル中の上皮成長因子(EGF)のレベル、前記対象からのサンプル中のエオタキシン−1(CCL11)のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子(bFGF)のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子(G−CSF)のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子(GM−CSF)のレベル、前記対象からのサンプル中の肝細胞成長因子(HGF)のレベル、前記対象からのサンプル中のインターフェロンアルファ(IFN−α)のレベル、前記対象からのサンプル中のインターフェロンガンマ(IFN−γ)のレベル、前記対象からのサンプル中のインターロイキン10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン12(IL−12)のレベル、前記対象からのサンプル中のインターロイキン13(IL−13)のレベル、前記対象からのサンプル中のインターロイキン15(IL−15)のレベル、前記対象からのサンプル中のインターロイキン17(IL−17)のレベル、前記対象からのサンプル中のインターロイキン1アルファ(IL−1α)のレベル、前記対象からのサンプル中のインターロイキン1ベータ(IL−1β)のレベル、前記対象からのサンプル中のインターロイキン1受容体拮抗薬(IL−1RA)のレベル、前記対象からのサンプル中のインターロイキン2(IL−2)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン4(IL−4)のレベル、前記対象からのサンプル中のインターロイキン5(IL−5)のレベル、前記対象からのサンプル中のインターロイキン6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン8(IL−8)のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1アルファ(MIP−1α)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1ベータ(MIP−1β)のレベル、前記対象からのサンプル中のケモカイン(C−Cモチーフ)リガンド5(CCL5)のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ(TNFα)のレベル、前記対象からのサンプル中の血管内皮細胞成長因子(VEGF)のレベル、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、全濃厚RBCのレベル、外傷重症度スコア(ISS)、腹部の簡易式外傷指数(AIS)、胸部(胸郭)のAIS、四肢のAIS、顔面のAIS、頭部のAIS、または皮膚のAISのうちの少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目9)
値が第1の対象毎に受信される、前記臨床パラメータは、Luminexプロテオームデータ、RNAseq、トランスクリプトームデータ、定量的ポリメラーゼ連鎖反応(qPCR)データ、および定量的細菌学データから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目10)
値が第2の対象毎に受信される、前記臨床パラメータは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全濃厚RBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からの血清サンプル中のインターロイキン−10(IL−10)のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質1(MCP−1)のレベルから選択される少なくとも1つを含む、項目1または3−9のいずれかに記載の方法。
(項目11)
前記候補分類アルゴリズムに対応する前記モデルパラメータのサブセットは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全濃厚RBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からの血清サンプル中のインターロイキン−10(IL−10)のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質1(MCP−1)のレベルから選択される少なくとも2つを含む、前記項目のいずれかに記載の方法。
(項目12)
前記少なくとも1つの性能メトリックは、全アウトオブバッグ(OOB)誤差推定値、陽性分類OOB誤差推定値、陰性分類OOB誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目13)
前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップは、各分類アルゴリズムを用いて決定曲線分析(DCA)を実行するステップを含み、前記DCAは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示し、前記処置を提供するという最大純便益を有する、前記分類アルゴリズムを選択する、前記項目のいずれかに記載の方法。
(項目14)
前記DCAを使用し、前記少なくとも1つの第2の対象の予測肺炎転帰を規定危険閾値と比較して、前記処置の純便益を判定するステップをさらに含む、項目13に記載の方法。
(項目15)
前記候補分類アルゴリズムは、単純ベイズモデルである、前記項目のいずれかに記載の方法。
(項目16)
第1の対象毎に、第1の値が、少なくとも2つの臨床パラメータに関して受信され、前記第1の値は、単一の時点に対応する、前記項目のいずれかに記載の方法。
(項目17)
値が受信される臨床パラメータの数が、前記訓練パラメータの数未満である、少なくとも1つの第1の対象を識別するステップと、
インピュテーションアルゴリズムを実行し、値が受信されない前記少なくとも1つの第1の対象と関連付けられる臨床パラメータに対応する、前記訓練パラメータのうちの少なくとも1つの帰属値を生成するステップと
をさらに含む、前記項目のいずれかに記載の方法。
(項目18)
前記複数の変数選択アルゴリズムは、inter.iambアルゴリズム、fast.iambアルゴリズム、iambアルゴリズム、gsアルゴリズム、mmpcアルゴリズム、またはsi.hiton.pcアルゴリズムのうちの少なくとも2つを含む、前記項目のいずれかに記載の方法。
(項目19)
対象において肺炎転帰を予測するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択するように構成される、機械学習エンジンと、
予測エンジンであって、
少なくとも1つの第2の対象に関して、前記複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信し、前記モデルパラメータの対応するサブセットおよび前記少なくとも1つの臨床パラメータの第2の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を計算するように構成される、予測エンジンと
を備える、処理回路と、
前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を表示するように構成される、ディスプレイデバイスと
を備える、システム。
(項目20)
対象において肺炎転帰を予測するためのモデルを生成するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択し、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するように構成される、機械学習エンジンと
を備える、処理回路
を備える、システム。
(項目21)
対象において肺炎転帰を予測するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、前記メモリは、
予測エンジンであって、
第2の対象に関して、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信し、前記第2の対象の少なくとも1つの臨床パラメータの第2の値を使用して、分類アルゴリズムを実行し、前記第2の対象に特有の肺炎転帰を予測し、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第1の対象の複数の臨床パラメータの第1の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択されるように構成される、予測エンジンを備える、処理回路と、
前記第2の対象に特有の予測肺炎転帰を出力するように構成される、ディスプレイデバイスと
を備える、システム。
(項目22)
肺炎を発症する危険に対象をさらす損傷を有する対象において、随意に、その検出可能な症状の発症に先立って、肺炎の危険プロファイルを判定する方法であって、前記危険プロファイルは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される1つまたはそれを上回る臨床パラメータに基づく、1つまたはそれを上回る成分を備え、
前記対象に関する前記1つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと
を含む、方法。
(項目23)
随意に、その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象が、肺炎を発症する危険性の増加を有することを判定する方法であって、
頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、前記対象に関する1つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと、
前記対象の危険プロファイルの値を参照危険プロファイル値と比較するステップであって、前記参照危険プロファイル値と比較した前記対象の危険プロファイルの値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、ステップと
を含む、方法。
(項目24)
その検出可能な症状の発症に先立って、肺炎に対する処置を前記対象に投与するステップを含む、肺炎を発症する危険に対象をさらす損傷を有する対象を、肺炎に関して処置する方法であって、前記対象は、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、1つまたはそれを上回る臨床パラメータから計算される危険プロファイル値によって判定されるような肺炎を発症する危険性の上昇を有することが前もって判定されている、方法。
(項目25)
前記参照危険プロファイル値と比較した前記対象の危険プロファイル値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、項目22〜24のいずれか1項に記載の方法。
(項目26)
前記参照危険プロファイル値は、前記対象に関して前もって検出された臨床パラメータから計算される、項目22〜25のいずれか1項に記載の方法。
(項目27)
前記参照危険プロファイル値は、前記対象が前記損傷を有するときに前記対象に関して前もって検出された臨床パラメータから計算される、項目22〜26のいずれか1項に記載の方法。
(項目28)
前記参照危険プロファイル値は、損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目22〜25のいずれか1項に記載の方法。
(項目29)
前記参照危険プロファイル値は、前記参照対象が肺炎の検出可能な症状を有していなかったときに損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目22〜25または28のいずれか1項に記載の方法。
(項目30)
前記方法は、前記対象における肺炎の検出可能な症状の発症に先立って行われる、項目22〜29のいずれか1項に記載の方法。
(項目31)
1つまたはそれを上回る臨床パラメータは、血清サンプルおよび創傷流出物から選択される前記対象からのサンプル中で検出される、項目22〜30のいずれか1項に記載の方法。
(項目32)
対象からの1つまたはそれを上回るサンプル中で、IP−10、IL−10、およびMCP−1から選択される1つまたはそれを上回るバイオマーカのレベルを測定するステップを含む、損傷を有する前記対象においてバイオマーカのレベルを検出する方法。
(項目33)
前記方法は、IP−10、IL−10、およびMCP−1のレベルを測定するステップを含む、項目32に記載の方法。
(項目34)
肺炎を発症する危険に対象をさらす損傷を有する対象において危険因子を査定する方法であって、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、1つまたはそれを上回る危険因子を査定するステップを含む、方法。
(項目35)
項目22−34のいずれか1項に記載の方法を実施するためのキット。
(項目36)
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための抗生物質または抗ウイルス剤であって、前記対象は、項目24に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤。
(項目37)
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための薬剤の調製における抗生物質または抗ウイルス剤の使用であって、前記対象は、項目24に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤の使用。
本発明は、例えば、以下を提供する。
(項目1)
対象の肺炎転帰を予測するための方法であって、
1つまたはそれを上回るプロセッサによって、複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第1の値を前記複数の第1の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記1つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算するステップと、
前記1つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記1つまたはそれを上回るプロセッサによって、少なくとも1つの第2の対象に関して、前記複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記モデルパラメータの対応するサブセットおよび前記少なくとも1つの臨床パラメータの第2の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を計算するステップと、
前記1つまたはそれを上回るプロセッサによって、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を出力するステップと
を含む、方法。
(項目2)
対象における肺炎転帰を予測するためのモデルを生成するための方法であって、
1つまたはそれを上回るプロセッサによって、複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を受信するステップと、
前記1つまたはそれを上回るプロセッサによって、前記複数の臨床パラメータの第1の値を前記複数の第1の対象の対応する肺炎転帰に関連付ける訓練データベースを生成するステップと、
前記1つまたはそれを上回るプロセッサによって、複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択するステップであって、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表す、ステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成するステップと、
前記1つまたはそれを上回るプロセッサによって、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算するステップと、
前記1つまたはそれを上回るプロセッサによって、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップと、
前記1つまたはそれを上回るプロセッサによって、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するステップと
を含む、方法。
(項目3)
対象の肺炎転帰を予測するための方法であって、
第2の対象に関して、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信するステップと、
前記第1の対象の少なくとも1つの臨床パラメータの第2の値を使用して、分類アルゴリズムを実行し、前記第1の対象に特有の肺炎転帰を予測するステップであって、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第1の対象の複数の臨床パラメータの第1の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択される、ステップと、
前記第2の対象に特有の予測肺炎転帰を出力するステップと
を含む、方法。
(項目4)
前記対象は、爆風損傷、圧挫損傷、銃創、または四肢創傷等の肺炎を発症する危険に前記対象をさらす損傷を有する、前記項目のいずれかに記載の方法。
(項目5)
前記モデルパラメータの対応するサブセットを使用して、前記候補分類アルゴリズムによって生成される前記予測肺炎転帰は、(i)前記第2の対象が肺炎を有するという指標または(ii)前記第2の対象が肺炎を発症する危険性があるという指標のうちの少なくとも1つを含み、
第1の対象毎に受信される前記肺炎転帰は、(i)浸潤物、空洞現象、胸水、または合併のうちの少なくとも1つを示す胸部放射線検査、および(ii)定量化された呼吸培養からの病原体の単離から選択される、少なくとも1つを通して診断される、確認された肺感染症に基づく、
項目1または3のいずれかに記載の方法。
(項目6)
各第1の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第1の対象毎に受信される、前記臨床パラメータは、性別、年齢、損傷の日付、損傷の場所、腹部損傷の存在、損傷の機構、創傷深度、創傷表面積、創傷清拭の回数、関連付けられる損傷、創傷閉鎖のタイプ、創傷閉鎖の成功、輸血の要件、輸血される血液製剤の総数、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、全濃厚RBCのレベル、外傷重症度スコア(ISS)、腹部のAIS、頭部のAIS、胸部(胸郭)のAIS、急性生理学および慢性健康評価II(APACHE II)スコア、前記対象からのサンプル中の臨界定着(CC)の存在、外傷性脳損傷の存在、外傷性脳損傷の重症度、入院期間、集中治療室(ICU)の滞在期間、人工呼吸器の装着日数、病院からの退院、院内感染症の発症、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン−10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン−3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン−6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン−7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン−8(IL−8)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、および前記対象からのサンプル中のエオタキシンのレベルから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目7)
各第1の対象は、肺炎を発症する危険に前記対象をさらす損傷を有し、値が第1の対象毎に受信される、前記臨床パラメータは、バイオマーカ臨床パラメータ、血液製剤の投与臨床パラメータ、または外傷重症度スコア臨床パラメータから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目8)
前記臨床パラメータは、前記対象からのサンプル中の上皮成長因子(EGF)のレベル、前記対象からのサンプル中のエオタキシン−1(CCL11)のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子(bFGF)のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子(G−CSF)のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子(GM−CSF)のレベル、前記対象からのサンプル中の肝細胞成長因子(HGF)のレベル、前記対象からのサンプル中のインターフェロンアルファ(IFN−α)のレベル、前記対象からのサンプル中のインターフェロンガンマ(IFN−γ)のレベル、前記対象からのサンプル中のインターロイキン10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン12(IL−12)のレベル、前記対象からのサンプル中のインターロイキン13(IL−13)のレベル、前記対象からのサンプル中のインターロイキン15(IL−15)のレベル、前記対象からのサンプル中のインターロイキン17(IL−17)のレベル、前記対象からのサンプル中のインターロイキン1アルファ(IL−1α)のレベル、前記対象からのサンプル中のインターロイキン1ベータ(IL−1β)のレベル、前記対象からのサンプル中のインターロイキン1受容体拮抗薬(IL−1RA)のレベル、前記対象からのサンプル中のインターロイキン2(IL−2)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン4(IL−4)のレベル、前記対象からのサンプル中のインターロイキン5(IL−5)のレベル、前記対象からのサンプル中のインターロイキン6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン8(IL−8)のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1アルファ(MIP−1α)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1ベータ(MIP−1β)のレベル、前記対象からのサンプル中のケモカイン(C−Cモチーフ)リガンド5(CCL5)のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ(TNFα)のレベル、前記対象からのサンプル中の血管内皮細胞成長因子(VEGF)のレベル、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、全濃厚RBCのレベル、外傷重症度スコア(ISS)、腹部の簡易式外傷指数(AIS)、胸部(胸郭)のAIS、四肢のAIS、顔面のAIS、頭部のAIS、または皮膚のAISのうちの少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目9)
値が第1の対象毎に受信される、前記臨床パラメータは、Luminexプロテオームデータ、RNAseq、トランスクリプトームデータ、定量的ポリメラーゼ連鎖反応(qPCR)データ、および定量的細菌学データから選択される少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目10)
値が第2の対象毎に受信される、前記臨床パラメータは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全濃厚RBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からの血清サンプル中のインターロイキン−10(IL−10)のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質1(MCP−1)のレベルから選択される少なくとも1つを含む、項目1または3−9のいずれかに記載の方法。
(項目11)
前記候補分類アルゴリズムに対応する前記モデルパラメータのサブセットは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全濃厚RBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からの血清サンプル中のインターロイキン−10(IL−10)のレベル、および前記対象からの血清サンプル中の単球走化性タンパク質1(MCP−1)のレベルから選択される少なくとも2つを含む、前記項目のいずれかに記載の方法。
(項目12)
前記少なくとも1つの性能メトリックは、全アウトオブバッグ(OOB)誤差推定値、陽性分類OOB誤差推定値、陰性分類OOB誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも1つを含む、前記項目のいずれかに記載の方法。
(項目13)
前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを選択するステップは、各分類アルゴリズムを用いて決定曲線分析(DCA)を実行するステップを含み、前記DCAは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示し、前記処置を提供するという最大純便益を有する、前記分類アルゴリズムを選択する、前記項目のいずれかに記載の方法。
(項目14)
前記DCAを使用し、前記少なくとも1つの第2の対象の予測肺炎転帰を規定危険閾値と比較して、前記処置の純便益を判定するステップをさらに含む、項目13に記載の方法。
(項目15)
前記候補分類アルゴリズムは、単純ベイズモデルである、前記項目のいずれかに記載の方法。
(項目16)
第1の対象毎に、第1の値が、少なくとも2つの臨床パラメータに関して受信され、前記第1の値は、単一の時点に対応する、前記項目のいずれかに記載の方法。
(項目17)
値が受信される臨床パラメータの数が、前記訓練パラメータの数未満である、少なくとも1つの第1の対象を識別するステップと、
インピュテーションアルゴリズムを実行し、値が受信されない前記少なくとも1つの第1の対象と関連付けられる臨床パラメータに対応する、前記訓練パラメータのうちの少なくとも1つの帰属値を生成するステップと
をさらに含む、前記項目のいずれかに記載の方法。
(項目18)
前記複数の変数選択アルゴリズムは、inter.iambアルゴリズム、fast.iambアルゴリズム、iambアルゴリズム、gsアルゴリズム、mmpcアルゴリズム、またはsi.hiton.pcアルゴリズムのうちの少なくとも2つを含む、前記項目のいずれかに記載の方法。
(項目19)
対象において肺炎転帰を予測するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択するように構成される、機械学習エンジンと、
予測エンジンであって、
少なくとも1つの第2の対象に関して、前記複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信し、前記モデルパラメータの対応するサブセットおよび前記少なくとも1つの臨床パラメータの第2の値を使用して、前記選択された候補分類アルゴリズムを実行し、前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を計算するように構成される、予測エンジンと
を備える、処理回路と、
前記少なくとも1つの第2の対象に特有の肺炎の予測転帰を表示するように構成される、ディスプレイデバイスと
を備える、システム。
(項目20)
対象において肺炎転帰を予測するためのモデルを生成するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、
前記メモリは、
複数の第1の対象毎に、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第1の値および対応する肺炎転帰を記憶するように構成される、訓練データベースと、
機械学習エンジンであって、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択し、モデルパラメータの各サブセットの数は、前記複数の臨床パラメータの数未満であり、モデルパラメータの各サブセットは、前記モデルパラメータのサブセットと前記対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、モデルパラメータのサブセット毎に、分類アルゴリズムを実行し、前記モデルパラメータのサブセットに基づいて、肺炎転帰の予測を生成し、モデルパラメータの各対応するサブセットに基づいて実行される分類アルゴリズム毎に、肺炎転帰を予測することにおける前記分類アルゴリズムおよび前記モデルパラメータの対応するサブセットの性能のレベルを示す、少なくとも1つの性能メトリックを計算し、候補分類アルゴリズムおよびモデルパラメータの対応するサブセットの少なくとも1つの性能メトリックに基づいて、前記候補分類アルゴリズムおよび前記モデルパラメータの対応するサブセットを選択し、前記候補分類アルゴリズムおよびモデルパラメータの対応するサブセットを出力するように構成される、機械学習エンジンと
を備える、処理回路
を備える、システム。
(項目21)
対象において肺炎転帰を予測するためのシステムであって、
1つまたはそれを上回るプロセッサと、メモリとを備える、処理回路であって、前記メモリは、
予測エンジンであって、
第2の対象に関して、複数の臨床パラメータのうちの少なくとも1つの臨床パラメータの第2の値を受信し、前記第2の対象の少なくとも1つの臨床パラメータの第2の値を使用して、分類アルゴリズムを実行し、前記第2の対象に特有の肺炎転帰を予測し、前記分類アルゴリズムは、複数の変数選択アルゴリズムを使用し、前記複数の臨床パラメータからモデルパラメータのサブセットを選択することによって選択され、前記モデルパラメータのサブセットは、前記モデルパラメータのサブセットと対応する肺炎転帰との間の条件付き依存性を示す、ベイジアンネットワークのノードを表し、前記変数選択アルゴリズムは、複数の第1の対象の複数の臨床パラメータの第1の値および対応する肺炎転帰を使用して実行され、前記分類アルゴリズムは、肺炎転帰を予測する前記分類アルゴリズムの能力を示す性能メトリックにさらに基づいて選択されるように構成される、予測エンジンを備える、処理回路と、
前記第2の対象に特有の予測肺炎転帰を出力するように構成される、ディスプレイデバイスと
を備える、システム。
(項目22)
肺炎を発症する危険に対象をさらす損傷を有する対象において、随意に、その検出可能な症状の発症に先立って、肺炎の危険プロファイルを判定する方法であって、前記危険プロファイルは、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される1つまたはそれを上回る臨床パラメータに基づく、1つまたはそれを上回る成分を備え、
前記対象に関する前記1つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと
を含む、方法。
(項目23)
随意に、その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象が、肺炎を発症する危険性の増加を有することを判定する方法であって、
頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、前記対象に関する1つまたはそれを上回る臨床パラメータを検出するステップと、
前記検出された臨床パラメータから前記対象の危険プロファイルの値を計算するステップと、
前記対象の危険プロファイルの値を参照危険プロファイル値と比較するステップであって、前記参照危険プロファイル値と比較した前記対象の危険プロファイルの値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、ステップと
を含む、方法。
(項目24)
その検出可能な症状の発症に先立って、肺炎に対する処置を前記対象に投与するステップを含む、肺炎を発症する危険に対象をさらす損傷を有する対象を、肺炎に関して処置する方法であって、前記対象は、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、1つまたはそれを上回る臨床パラメータから計算される危険プロファイル値によって判定されるような肺炎を発症する危険性の上昇を有することが前もって判定されている、方法。
(項目25)
前記参照危険プロファイル値と比較した前記対象の危険プロファイル値の増加は、前記対象が肺炎を発症する危険性の増加を有することを示す、項目22〜24のいずれか1項に記載の方法。
(項目26)
前記参照危険プロファイル値は、前記対象に関して前もって検出された臨床パラメータから計算される、項目22〜25のいずれか1項に記載の方法。
(項目27)
前記参照危険プロファイル値は、前記対象が前記損傷を有するときに前記対象に関して前もって検出された臨床パラメータから計算される、項目22〜26のいずれか1項に記載の方法。
(項目28)
前記参照危険プロファイル値は、損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目22〜25のいずれか1項に記載の方法。
(項目29)
前記参照危険プロファイル値は、前記参照対象が肺炎の検出可能な症状を有していなかったときに損傷を有する参照対象の集団に関して検出される臨床パラメータから計算される、項目22〜25または28のいずれか1項に記載の方法。
(項目30)
前記方法は、前記対象における肺炎の検出可能な症状の発症に先立って行われる、項目22〜29のいずれか1項に記載の方法。
(項目31)
1つまたはそれを上回る臨床パラメータは、血清サンプルおよび創傷流出物から選択される前記対象からのサンプル中で検出される、項目22〜30のいずれか1項に記載の方法。
(項目32)
対象からの1つまたはそれを上回るサンプル中で、IP−10、IL−10、およびMCP−1から選択される1つまたはそれを上回るバイオマーカのレベルを測定するステップを含む、損傷を有する前記対象においてバイオマーカのレベルを検出する方法。
(項目33)
前記方法は、IP−10、IL−10、およびMCP−1のレベルを測定するステップを含む、項目32に記載の方法。
(項目34)
肺炎を発症する危険に対象をさらす損傷を有する対象において危険因子を査定する方法であって、頭部のAIS、腹部のAIS、前記対象に投与される血小板の量、全pRBCのレベル、前記対象に投与される全ての血液製剤の総和、前記対象からの血清サンプル中のIP−10のレベル、前記対象からの血清サンプル中のIL−10のレベル、および前記対象からの血清サンプル中のMCP−1のレベルから選択される、1つまたはそれを上回る危険因子を査定するステップを含む、方法。
(項目35)
項目22−34のいずれか1項に記載の方法を実施するためのキット。
(項目36)
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための抗生物質または抗ウイルス剤であって、前記対象は、項目24に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤。
(項目37)
その検出可能な症状の発症に先立って、肺炎を発症する危険に対象をさらす損傷を有する対象において肺炎を処置するための薬剤の調製における抗生物質または抗ウイルス剤の使用であって、前記対象は、項目24に記載の方法によって判定されるように、肺炎を発症する危険性の上昇を有することが前もって判定されている、抗生物質または抗ウイルス剤の使用。
Claims (21)
- 対象における肺炎転帰を予測するためのモデルを生成する方法であって、
複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの1つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む、方法。 - 前記訓練データベース内に記憶されているデータを前処理することをさらに含み、
前記前処理することは、
前記複数の臨床パラメータの少なくとも1つの第1の値が欠落していることを判定することと、
欠落している前記複数の臨床パラメータの前記少なくとも1つのための参照値を推定することと、
前記複数の臨床パラメータの前記少なくとも1つの前記第1の値として前記参照値を前記訓練データベース内に記憶することと
を含む、請求項1に記載の方法。 - 前記複数の変数選択アルゴリズムは、機械学習アルゴリズム、教師付き機械学習アルゴリズム、Grow−Shrinkアルゴリズム、Incremental Association Markov Blanketアルゴリズム、またはSemi−Interleaved Hiton−PCアルゴリズムのうちの少なくとも1つを含む、請求項1または2に記載の方法。
- 前記分類アルゴリズムは、線形判別分析、分類および回帰ツリー、決定ツリー学習、ランダムフォレストモデル、最近傍、サポートベクターマシン、ロジスティック回帰、一般化線形モデル、ベイジアンモデル、またはニューラルネットワークのうちの少なくとも1つを含む、請求項1〜3のいずれか一項に記載の方法。
- 前記性能メトリックに従って候補分類アルゴリズムを選択することは、
各分類アルゴリズムを用いて決定曲線分析(DCA)を実行することであって、前記DCAは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示す、ことと、
前記処置を提供するという最大純便益を有する前記分類アルゴリズムを前記候補分類アルゴリズムとして選択することと
をさらに含む、請求項1〜4のいずれか一項に記載の方法。 - 前記複数の分類アルゴリズムの性能を相互検証することをさらに含む、請求項1〜5のいずれか一項に記載の方法。
- 前記複数の分類アルゴリズムの各々と関連付けられる前記性能メトリックは、全アウトオブバッグ(OOB)誤差推定値、陽性分類OOB誤差推定値、陰性分類OOB誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも1つを含む、請求項1〜6のいずれか一項に記載の方法。
- 前記複数の臨床パラメータは、1つまたは複数のバイオマーカ臨床パラメータ、1つまたは複数の血液製剤の投与臨床パラメータ、1つまたは複数の外傷重症度スコア臨床パラメータ、またはこれらの組み合わせを含む、請求項1〜7のいずれか一項に記載の方法。
- 前記バイオマーカ臨床パラメータは、前記対象からのサンプル中の上皮成長因子(EGF)のレベル、前記対象からのサンプル中のエオタキシン−1(CCL11)のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子(bFGF)のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子(G−CSF)のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子(GM−CSF)のレベル、前記対象からのサンプル中の肝細胞成長因子(HGF)のレベル、前記対象からのサンプル中のインターフェロンアルファ(IFN−α)のレベル、前記対象からのサンプル中のインターフェロンガンマ(IFN−γ)のレベル、前記対象からのサンプル中のインターロイキン10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン12(IL−12)のレベル、前記対象からのサンプル中のインターロイキン13(IL−13)のレベル、前記対象からのサンプル中のインターロイキン15(IL−15)のレベル、前記対象からのサンプル中のインターロイキン17(IL−17)のレベル、前記対象からのサンプル中のインターロイキン1アルファ(IL−1α)のレベル、前記対象からのサンプル中のインターロイキン1ベータ(IL−1β)のレベル、前記対象からのサンプル中のインターロイキン1受容体拮抗薬(IL−1RA)のレベル、前記対象からのサンプル中のインターロイキン2(IL−2)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン4(IL−4)のレベル、前記対象からのサンプル中のインターロイキン5(IL−5)のレベル、前記対象からのサンプル中のインターロイキン6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン8(IL−8)のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1アルファ(MIP−1α)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1ベータ(MIP−1β)のレベル、前記対象からのサンプル中のケモカイン(C−Cモチーフ)リガンド5(CCL5)のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ(TNFα)のレベル、または、前記対象からのサンプル中の血管内皮細胞成長因子(VEGF)のレベルのうちの1つまたは複数を含み、
前記血液製剤の投与臨床パラメータは、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、または、全濃厚RBCのレベルのうちの1つまたは複数を含み、
前記外傷重症度スコア臨床パラメータは、外傷重症度スコア(ISS)、腹部の簡易式外傷指数(AIS)、胸部(胸郭)のAIS、四肢のAIS、顔面のAIS、頭部のAIS、または皮膚のAISのうちの1つまたは複数を含む、請求項8に記載の方法。 - 対象の肺炎転帰を予測するための方法であって、
第2の対象から、複数の臨床パラメータの少なくとも1つの臨床パラメータの第2の値を受信することと、
前記少なくとも1つの臨床パラメータの第2の値を使用して、前記第2の対象の肺炎転帰を予測するために前訓練されたモデルを実行することであって、前記モデルは、
複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの1つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む動作を実施することによって、前訓練されている、ことと、
前記第2の対象の前記予測された肺炎転帰を出力することと
を含む、方法。 - 前記モデルを前訓練するための動作は、前記訓練データベース内に記憶されているデータを前処理することをさらに含み、
前記前処理することは、
前記複数の臨床パラメータの少なくとも1つの第1の値が欠落していることを判定することと、
欠落している前記複数の臨床パラメータの前記少なくとも1つのための参照値を推定することと、
前記複数の臨床パラメータの前記少なくとも1つの前記第1の値として前記参照値を前記訓練データベース内に記憶することと
を含む、請求項10に記載の方法。 - 前記複数の変数選択アルゴリズムは、機械学習アルゴリズム、教師付き機械学習アルゴリズム、Grow−Shrinkアルゴリズム、Incremental Association Markov Blanketアルゴリズム、またはSemi−Interleaved Hiton−PCアルゴリズム、あるいは後退限のうちの少なくとも1つを含む、請求項10または11に記載の方法。
- 前記分類アルゴリズムは、線形判別分析、分類および回帰ツリー、決定ツリー学習、ランダムフォレストモデル、最近傍、サポートベクターマシン、ロジスティック回帰、一般化線形モデル、ベイジアンモデル、またはニューラルネットワークのうちの少なくとも1つを含む、請求項10〜12のいずれか一項に記載の方法。
- 前記性能メトリックに従って候補分類アルゴリズムを選択することは、
各分類アルゴリズムを用いて決定曲線分析(DCA)を実行することであって、前記DCAは、前記分類アルゴリズムによって生成される肺炎転帰に基づいて処置を提供するという純便益を示す、ことと、
前記処置を提供するという最大純便益を有する前記分類アルゴリズムを前記候補分類アルゴリズムとして選択することと
をさらに含む、請求項10〜13のいずれか一項に記載の方法。 - 前記複数の分類アルゴリズムの性能を相互検証することをさらに含む、請求項10〜14のいずれか一項に記載の方法。
- 前記複数の分類アルゴリズムの各々と関連付けられる前記性能メトリックは、全アウトオブバッグ(OOB)誤差推定値、陽性分類OOB誤差推定値、陰性分類OOB誤差推定値、正確度スコア、またはカッパスコアのうちの少なくとも1つを含む、請求項10〜15のいずれか一項に記載の方法。
- 前記複数の臨床パラメータは、1つまたは複数のバイオマーカ臨床パラメータ、1つまたは複数の血液製剤の投与臨床パラメータ、1つまたは複数の外傷重症度スコア臨床パラメータ、またはこれらの組み合わせを含む、請求項10〜16のいずれか一項に記載の方法。
- 前記バイオマーカ臨床パラメータは、前記対象からのサンプル中の上皮成長因子(EGF)のレベル、前記対象からのサンプル中のエオタキシン−1(CCL11)のレベル、前記対象からのサンプル中の塩基性線維芽細胞成長因子(bFGF)のレベル、前記対象からのサンプル中の顆粒球コロニー刺激因子(G−CSF)のレベル、前記対象からのサンプル中の顆粒球マクロファージコロニー刺激因子(GM−CSF)のレベル、前記対象からのサンプル中の肝細胞成長因子(HGF)のレベル、前記対象からのサンプル中のインターフェロンアルファ(IFN−α)のレベル、前記対象からのサンプル中のインターフェロンガンマ(IFN−γ)のレベル、前記対象からのサンプル中のインターロイキン10(IL−10)のレベル、前記対象からのサンプル中のインターロイキン12(IL−12)のレベル、前記対象からのサンプル中のインターロイキン13(IL−13)のレベル、前記対象からのサンプル中のインターロイキン15(IL−15)のレベル、前記対象からのサンプル中のインターロイキン17(IL−17)のレベル、前記対象からのサンプル中のインターロイキン1アルファ(IL−1α)のレベル、前記対象からのサンプル中のインターロイキン1ベータ(IL−1β)のレベル、前記対象からのサンプル中のインターロイキン1受容体拮抗薬(IL−1RA)のレベル、前記対象からのサンプル中のインターロイキン2(IL−2)のレベル、前記対象からのサンプル中のインターロイキン2受容体(IL−2R)のレベル、前記対象からのサンプル中のインターロイキン3(IL−3)のレベル、前記対象からのサンプル中のインターロイキン4(IL−4)のレベル、前記対象からのサンプル中のインターロイキン5(IL−5)のレベル、前記対象からのサンプル中のインターロイキン6(IL−6)のレベル、前記対象からのサンプル中のインターロイキン7(IL−7)のレベル、前記対象からのサンプル中のインターロイキン8(IL−8)のレベル、前記対象からのサンプル中のインターフェロンガンマ誘導タンパク質10(IP−10)のレベル、前記対象からのサンプル中の単球走化性タンパク質1(MCP−1)のレベル、前記対象からのサンプル中のガンマインターフェロンによって誘導されるモノカイン(MIG)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1アルファ(MIP−1α)のレベル、前記対象からのサンプル中のマクロファージ炎症性タンパク質1ベータ(MIP−1β)のレベル、前記対象からのサンプル中のケモカイン(C−Cモチーフ)リガンド5(CCL5)のレベル、前記対象からのサンプル中の腫瘍壊死因子アルファ(TNFα)のレベル、または、前記対象からのサンプル中の血管内皮細胞成長因子(VEGF)のレベルのうちの1つまたは複数を含み、
前記血液製剤の投与臨床パラメータは、前記対象に投与される全血球の量、前記対象に投与される赤血球(RBC)の量、前記対象に投与される濃厚赤血球(pRBC)の量、前記対象に投与される血小板の量、前記対象に投与される全ての血液製剤の総和、または、全濃厚RBCのレベルのうちの1つまたは複数を含み、
前記外傷重症度スコア臨床パラメータは、外傷重症度スコア(ISS)、腹部の簡易式外傷指数(AIS)、胸部(胸郭)のAIS、四肢のAIS、顔面のAIS、頭部のAIS、または皮膚のAISのうちの1つまたは複数を含む、請求項17に記載の方法。 - 対象における肺炎転帰を予測するためのモデルを生成するためのシステムであって、
1つまたは複数のプロセッサと、
メモリと、
通信プラットフォームと、
複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶するように構成される訓練データベースと、
機械学習エンジンと
を備え、
前記機械学習エンジンは、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの1つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を行うように構成される、システム。 - 対象における肺炎転帰を予測するためのシステムであって、
1つまたは複数のプロセッサと、
メモリと、
通信プラットフォームと、
複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶するように構成される訓練データベースと、
対象の肺炎転帰のためのモデルを前訓練するように構成される機械学習エンジンであって、前記モデルは、
前記複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成することと、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択することと、
モデルパラメータの複数のサブセットの1つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成することと、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算することと、
前記性能メトリックに従って、候補分類アルゴリズムを選択することと、
肺炎転帰を予測するためのモデルを出力することであって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、ことと
を含む動作を実施することによって、前訓練されている、機械学習エンジンと、
予測エンジンであって、前記予測エンジンは、
第2の対象から、複数の臨床パラメータの少なくとも1つの臨床パラメータの第2の値を受信することと、
前記少なくとも1つの臨床パラメータの第2の値を使用して、前記第2の対象の肺炎転帰を予測するために前記前訓練されたモデルを実行することと
を行うように構成される、予測エンジンと、
前記第2の対象の前記予測された肺炎転帰を出力するように構成されるディスプレイデバイスと
を備える、システム。 - 対象における肺炎転帰を予測するためのモデルを生成するための非一過性コンピュータ可読媒体であって、前記非一過性コンピュータ可読媒体は、その上に記憶された情報を有し、前記情報は、コンピュータによって読み取られると、
複数の臨床パラメータの第1の値と、複数の第1の対象と関連付けられた肺炎転帰とを記憶する訓練データベースを生成する動作と、
複数の変数選択アルゴリズムを実行し、変数選択アルゴリズム毎に前記複数の臨床パラメータからモデルパラメータのサブセットを選択する動作と、
モデルパラメータの複数のサブセットの1つに対して複数の分類アルゴリズムの各々を実行し、肺炎転帰の予測を生成する動作と、
前記肺炎転帰の予測に従って、前記複数の分類アルゴリズムの各々と関連付けられた性能メトリックを計算する動作と、
前記性能メトリックに従って、候補分類アルゴリズムを選択する動作と、
肺炎転帰を予測するためのモデルを出力する動作であって、前記モデルは、モデルパラメータの関連付けられたサブセットを伴う前記候補分類アルゴリズムを備える、動作と
を前記コンピュータに実施させる、非一過性コンピュータ可読媒体。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762443780P | 2017-01-08 | 2017-01-08 | |
US62/443,780 | 2017-01-08 | ||
US201762445690P | 2017-01-12 | 2017-01-12 | |
US62/445,690 | 2017-01-12 | ||
US201762514291P | 2017-06-02 | 2017-06-02 | |
US62/514,291 | 2017-06-02 | ||
PCT/US2018/012709 WO2018129414A1 (en) | 2017-01-08 | 2018-01-05 | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020507838A JP2020507838A (ja) | 2020-03-12 |
JP2020507838A5 true JP2020507838A5 (ja) | 2021-02-12 |
Family
ID=61028236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019536887A Pending JP2020507838A (ja) | 2017-01-08 | 2018-01-05 | 対象特有の肺炎転記を予測するための教師付き学習を使用するためのシステムおよび方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190355473A1 (ja) |
EP (1) | EP3566233A1 (ja) |
JP (1) | JP2020507838A (ja) |
AU (1) | AU2018205280A1 (ja) |
CA (1) | CA3049586A1 (ja) |
WO (1) | WO2018129414A1 (ja) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2692957C1 (ru) * | 2018-04-09 | 2019-06-28 | федеральное государственное бюджетное образовательное учреждение высшего образования "Башкирский государственный медицинский университет" Министерства здравоохранения Российской Федерации | Способ балльной оценки тяжести вентилятор-ассоциированной пневмонии при мозговых инсультах |
EP3815098A1 (en) * | 2018-06-29 | 2021-05-05 | Fresenius Medical Care Holdings, Inc. | Systems and methods for identifying risk of infection in dialysis patients |
WO2020037244A1 (en) * | 2018-08-17 | 2020-02-20 | Henry M. Jackson Foundation For The Advancement Of Military Medicine | Use of machine learning models for prediction of clinical outcomes |
US11699094B2 (en) * | 2018-10-31 | 2023-07-11 | Salesforce, Inc. | Automatic feature selection and model generation for linear models |
US11694773B2 (en) | 2019-03-01 | 2023-07-04 | Sanofi | Methods to estimate effectiveness of a medical treatment |
US20200410367A1 (en) * | 2019-06-30 | 2020-12-31 | Td Ameritrade Ip Company, Inc. | Scalable Predictive Analytic System |
CN111199782B (zh) * | 2019-12-30 | 2023-09-29 | 东软集团股份有限公司 | 病因分析方法,装置,存储介质及电子设备 |
CN111834003A (zh) * | 2020-04-18 | 2020-10-27 | 李智敏 | 新型冠状肺炎与流感肺炎的初筛诊断方法,系统和设备 |
CN111524579B (zh) * | 2020-04-27 | 2023-08-29 | 北京百度网讯科技有限公司 | 肺功能曲线检测方法、装置、设备以及存储介质 |
CN111681757A (zh) * | 2020-06-03 | 2020-09-18 | 广西壮族自治区人民医院 | 一种基于25(oh)d水平的新冠肺炎疾病严重程度的预测系统及其构建与使用方法 |
CN111951964A (zh) * | 2020-07-30 | 2020-11-17 | 山东大学 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
CN112226503A (zh) * | 2020-10-19 | 2021-01-15 | 西北大学 | Cxcl10和hgf的组合作为肺炎及其感染源检测标志物的应用 |
CN113607941A (zh) * | 2020-10-22 | 2021-11-05 | 广州中医药大学顺德医院(佛山市顺德区中医院) | 一种新型冠状病毒肺炎重症区分与疗效评价系统 |
US20220374327A1 (en) * | 2021-04-29 | 2022-11-24 | International Business Machines Corporation | Fair simultaneous comparison of parallel machine learning models |
CN113379267B (zh) * | 2021-06-21 | 2023-06-16 | 重庆大学 | 一种基于风险分级预测的城市火灾事件处理方法、系统及存储介质 |
WO2024006182A1 (en) * | 2022-06-30 | 2024-01-04 | Immersive Reality Group, Llc | System and method of respiratory disease detection |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5646005A (en) * | 1994-04-28 | 1997-07-08 | Kudsk; Kenneth A. | Use of an IL-6 assay for predicting the development of post-trauma complications |
US7547283B2 (en) * | 2000-11-28 | 2009-06-16 | Physiosonics, Inc. | Methods for determining intracranial pressure non-invasively |
US7558622B2 (en) * | 2006-05-24 | 2009-07-07 | Bao Tran | Mesh network stroke monitoring appliance |
CA3017076A1 (en) * | 2007-12-05 | 2009-06-18 | The Wistar Institute Of Anatomy And Biology | Method for diagnosing lung cancers using gene expression profiles in peripheral blood mononuclear cells |
CA2745576A1 (en) * | 2008-12-01 | 2010-06-10 | The Provost, Fellows And Scholars Of The College Of The Holy And Undivid Ed Trinity Of Queen Elizabeth Near Dublin | Cytokines as prognostic markers of respiratory-tract infection following major surgery |
US8655821B2 (en) * | 2009-02-04 | 2014-02-18 | Konstantinos (Constantin) F. Aliferis | Local causal and Markov blanket induction method for causal discovery and feature selection from data |
EP2449510B2 (en) * | 2009-06-30 | 2022-12-21 | Dow AgroSciences LLC | Application of machine learning methods for mining association rules in plant and animal data sets containing molecular genetic markers, followed by classification or prediction utilizing features created from these association rules |
JP5603639B2 (ja) * | 2010-04-23 | 2014-10-08 | 国立大学法人京都大学 | 予測装置の学習装置及びそのコンピュータプログラム |
WO2015066564A1 (en) * | 2013-10-31 | 2015-05-07 | Cancer Prevention And Cure, Ltd. | Methods of identification and diagnosis of lung diseases using classification systems and kits thereof |
US20160253473A1 (en) * | 2013-11-01 | 2016-09-01 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Integrated virtual patient framework |
WO2015073665A1 (en) * | 2013-11-13 | 2015-05-21 | The General Hospital Corporation | Methods and assays relating to the treatment of infection |
US9504529B2 (en) * | 2014-02-24 | 2016-11-29 | Vida Diagnostics, Inc. | Treatment outcome prediction for lung volume reduction procedures |
MY192513A (en) * | 2014-03-28 | 2022-08-24 | Opko Diagnostics Llc | Compositions and methods related to diagnosis of prostate cancer |
WO2016059636A1 (en) * | 2014-10-14 | 2016-04-21 | Memed Diagnostics Ltd. | Signatures and determinants for diagnosing infections in non-human subjects and methods of use thereof |
MX2017014812A (es) * | 2015-05-18 | 2018-05-11 | New Health Sciences Inc | Metodos para el almacenamiento de sangre completa y composiciones de esta. |
-
2018
- 2018-01-05 US US16/476,153 patent/US20190355473A1/en not_active Abandoned
- 2018-01-05 JP JP2019536887A patent/JP2020507838A/ja active Pending
- 2018-01-05 WO PCT/US2018/012709 patent/WO2018129414A1/en active Application Filing
- 2018-01-05 EP EP18701642.3A patent/EP3566233A1/en not_active Withdrawn
- 2018-01-05 AU AU2018205280A patent/AU2018205280A1/en not_active Abandoned
- 2018-01-05 CA CA3049586A patent/CA3049586A1/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020507838A5 (ja) | ||
JP2020507746A5 (ja) | ||
JP7097370B2 (ja) | 対象特有の菌血症転記を予測するための教師付き学習を使用するためのシステムおよび方法 | |
US20210327540A1 (en) | Use of machine learning models for prediction of clinical outcomes | |
US20190355473A1 (en) | Systems and methods for using supervised learning to predict subject-specific pneumonia outcomes | |
Lvovschi et al. | Cytokine profiles in sepsis have limited relevance for stratifying patients in the emergency department: a prospective observational study | |
Lukaszewski et al. | Presymptomatic prediction of sepsis in intensive care unit patients | |
US20080300797A1 (en) | Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease | |
CN112233810A (zh) | 一种基于真实世界临床数据的治疗方案综合疗效评估方法 | |
JP2019511057A (ja) | Sirsの予測のための臨床パラメータの使用 | |
Ho et al. | Imputation-enhanced prediction of septic shock in ICU patients | |
CN113057587A (zh) | 一种病症预警方法、装置、电子设备及存储介质 | |
Hawkins et al. | Persistently increased cell-free DNA concentrations only modestly contribute to outcome and host response in sepsis survivors with chronic critical illness | |
EP4070336A1 (en) | Prediction of venous thromboembolism utilizing machine learning models | |
Liu et al. | A machine learning method for predicting the probability of MODS using only non-invasive parameters | |
Ožiūnas | Identifying severity of covid-19 in patients using machine learning methods | |
Fan et al. | Deep neural networks with knockoff features identify nonlinear causal relations and estimate effect sizes in complex biological systems | |
Gada | Disease Prediction System using Machine Learning | |
Poor et al. | An Artificial Neural Network–Based Pediatric Mortality Risk Score: Development and Performance Evaluation Using Data From a Large North American Registry | |
Kim et al. | Machine learning-based risk prediction model for canine myxomatous mitral valve disease using electronic health record data | |
CN115684570B (zh) | 传染病检测装置、设备、系统、介质及程序产品 | |
Yu et al. | Lung-heart pressure index is a risk factor for acute respiratory distress syndrome (ARDS): A machine learning and propensity score-matching study. | |
Hsieh | The challenges of using temporal representation in real-world EHR data | |
Katari et al. | RNA-seq Data Set | |
Alkhodair et al. | Identifying Preventable Emergency Admissions in Hospitals Using Machine Learning |