複数の病院にわたる競合リスクの学習:ワンショット分散アルゴリズム。
アブストラクト
目的:複数の病院からのデータを用いて、複数の臨床症状間の複雑な相互作用を時間-事象解析の枠組みで特徴付けるために、我々は競合リスクモデルのための2つの新しいワンショット分散アルゴリズム(ODACoR)を開発した。8つの国立小児病院のEHRデータに我々のアルゴリズムを適用することで、小児および青少年におけるSARS-COV-2の急性期後遺症(PASC)のリスクに対する広範なリスク因子の影響を定量化した。
材料と方法:我々の ODACoR アルゴリズムは、工夫されたシンプルさと通信効率により、効果的に実行される。フィラデルフィア小児病院、シンシナティ小児病院メディカルセンター、コロラド小児病院を含む8つの小児病院から得られた650万人以上の小児患者のデータを用いて、小児および青少年におけるPASCの危険因子の影響を定量化するためのアプリケーションとして、広範なシミュレーション研究によって我々のアルゴリズムを評価した。ODACoRアルゴリズムによる推定結果を、メタ解析およびプールデータから得られた推定値と比較することにより、推定精度を評価した。
結果:メタアナリシスの推定値は、臨床症状が比較的まれな場合(約0.5%)に高い相対的バイアス(約40%)を示したのに対し、ODACoRアルゴリズムは相対的バイアスが大幅に低かった(約0.2%)。我々のODACoRアルゴリズムから推定された効果は、プールされたデータから推定された効果と同等であり、我々の連合学習アルゴリズムの高い信頼性を示唆している。対照的に、メタアナリシスによる推定では、プールデータと比較して、年齢、性別、慢性疾患歴、肥満などの危険因子を同定することができなかった。
考察:我々の提案するODACoRアルゴリズムは、通信効率に優れ、精度が高く、複数の臨床症状間の複雑な相互作用を特徴付けるのに適している。
結論:本研究は、ODACoRアルゴリズムが通信効率に優れ、time-to-event分析フレームワークにおける複数の臨床状態の分析に広く適用できることを実証した。