多剤耐性またはリファンピシン耐性結核における早期治療結果予測のための機械学習手法の利用：複数モデルの開発と検証
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Using Machine Learning Methods to Predict Early Treatment Outcomes for Multidrug-Resistant or Rifampicin-Resistant Tuberculosis to Enhance Patient Cure Rates: Development and Validation of Multiple Models.
雑誌名：J Med Internet Res. 2025 Sep 22; 27: e69998.
概 要：
この研究は、多剤耐性またはリファンピシン耐性結核（MDR/RR-TB）患者の治療結果を早期に予測するための機械学習（ML）モデルを開発し、従来のロジスティック回帰モデルと比較しました。744人の内部コホートと137人の外部コホートを用いて、治療開始から2か月および6か月後の培養転換率を予測しました。MLモデルは治療効果の評価において優れた性能を示し、MDR/RR-TBの治癒率向上に寄与することが期待されます。
方 法：
この研究は、2017年1月から2023年6月までに検査された744人のMDR/RR-TB患者を対象とした回顧的研究です。外部コホートは2021年3月から2022年6月までに検査された137人の患者で構成され、培養転換データが2か月および6か月で収集されました。内部コホートはトレーニングセット、外部コホートは検証セットとして使用され、ロジスティック回帰と7つのMLモデルが開発されました。モデルの性能は曲線下面積（AUC）、精度、感度、特異度を用いて評価されました。
結 果：
内部コホートにおけるMDR/RR-TBの培養転換率は、2か月で81.9%（485/592）、6か月で87.1%（406/466）でした。治療成功のオッズ比は、2か月で8.55（95% CI 3.31-22.08）、6か月で20.33（95% CI 6.90-59.86）であり、感度はそれぞれ86.5%、92.2%、特異度は57.1%、63.2%でした。人工ニューラルネットワークモデルは、2か月および6か月の培養転換予測において最も優れた性能を示し、AUCはそれぞれ0.82（95% CI 0.77-0.86）、0.90（95% CI 0.86-0.93）でした。
結 論：
MLモデルは、MDR/RR-TB患者の治療結果を高精度で予測できることが示されました。特に人工ニューラルネットワークモデルは、ロジスティック回帰モデルよりも安定性と一般化能力に優れ、MDR/RR-TB治療の初期段階における治療効果評価の迅速かつ効果的なツールとしての可能性があります。