血液検査分析と予測精度を組み合わせた早期敗血症検出のためのAI駆動型革新：後ろ向き研究
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：AI-Driven Innovations for Early Sepsis Detection by Combining Predictive Accuracy With Blood Count Analysis in an Emergency Setting: Retrospective Study
雑誌名：J Med Internet Res. 2025 Jan 24; 27: e56155. doi: 10.2196/56155. Epub 2025 Jan 24.
概 要：
この研究は、敗血症の早期検出を目的とした新しい機械学習モデルを導入し、臨床意思決定支援システム（AI-CDSS）に統合することを目指しています。敗血症は、症状が徐々に現れるため早期発見が難しく、特に高齢者やICU患者において迅速な診断が求められています。本研究では、完全血球計算（CBC）データを用いて、746人のICU患者と746人の安定した外来患者を対象に分析を行い、機械学習モデルを開発しました。最終的に654件の敗血症ケースが確認され、最も優れたモデルはAUROC 0.90を達成しました。
方 法：
本研究は、2023年9月から12月にかけて、敗血症の疑いのある746人のICU患者と746人の安定した外来患者を対象とした後ろ向き研究です。データは、基本的な血液因子と高度な好中球特性を含み、機械学習モデル（LGBM、ランダムフォレスト、勾配ブースティング）を開発しました。主要評価指標は、AUROC、感度、特異度です。
結 果：
ICU患者の中で654件（43.8%）の敗血症ケースが確認され、LGBMモデルはAUROC 0.90を達成し、最も高い予測精度を示しました。このモデルはAI-CDSSの中心に統合され、CBCデータを用いた迅速な敗血症リスク評価を可能にしました。
結 論：
CBCデータを用いることで、広範な臨床パラメータを必要とせずに迅速かつ正確な敗血症の識別が可能となり、AI-CDSSは臨床ワークフローにシームレスに統合できることが示されました。これにより、患者ケアと治療のタイミングが改善される可能性があります。