説明可能な機械学習による壊死性筋膜炎と骨髄炎の鑑別
カテゴリ：手術支援
公開日：2026年4月30日
タイトル：Explainable machine learning differentiates necrotizing fasciitis and osteomyelitis via routine blood biomarkers.
雑誌名：NPJ Digit Med. 2026 Apr 29; doi: 10.1038/s41746-026-02686-3.
概 要：
壊死性筋膜炎（NF）と骨髄炎（OM）は、重篤で四肢を脅かす感染症であり、症状が重複するため早期の鑑別が困難です。本研究では、3415人の患者（NF579人、OM2836人）から得たルーチン血液バイオマーカーを用いて、説明可能な機械学習モデルを開発・検証しました。モデル開発には主要施設のデータを使用し、別の施設のデータを独立した外部テストコホートとして利用しました。最適な10バイオマーカーのLightGBMモデルは、外部コホートでAUC 0.926という優れた識別能力を示しました。高い精度に加え、説明可能性の分析により、モデルの予測が重篤な炎症と代謝機能障害の臨床的に関連するマーカーに基づいていることが確認され、信頼性が強化されました。最終モデルは、リアルタイムリスク層別化のための公開ウェブツールとして展開されました。この研究は、臨床判断を補完する強力で外部検証された説明可能なAIフレームワークを提供し、診断の遅延を減少させ、これらの壊滅的な感染症の結果を改善する可能性があります。
方 法：
本研究は、3415人の患者を対象とした後ろ向き多施設コホート研究です。主要施設のデータを用いてモデルを開発し、別の施設のデータを外部テストコホートとして使用しました。最適なモデルは、10のバイオマーカーを用いたLightGBMモデルで、外部コホートにおいてAUC 0.926を達成しました。
結 果：
最適化されたLightGBMモデルは、外部コホートにおいてAUC 0.926を達成し、壊死性筋膜炎と骨髄炎の鑑別において優れた識別能力を示しました。モデルの予測は、重篤な炎症と代謝機能障害に関連する臨床的に重要なマーカーに基づいていることが確認されました。
結 論：
本研究の機械学習モデルは、壊死性筋膜炎と骨髄炎の早期鑑別を支援し、臨床判断を補完する信頼性の高いツールとしての可能性を示しました。このフレームワークは、診断の遅延を減少させ、患者の転帰を改善することが期待されます。