患者プロファイルに基づくチフスの抗生物質最適化のための機械学習駆動の意思決定支援
カテゴリ：災害・救急医療
公開日：2026年5月13日
タイトル：Machine learning-driven decision support for antibiotic optimization in typhoid fever based on patient profiles.
雑誌名：BMC Med Inform Decis Mak. 2026 May 12; doi: 10.1186/s12911-026-03528-8.
概 要：
本研究は、チフスの治療における抗生物質選択を改善するための機械学習に基づく意思決定支援フレームワークを開発しました。抗菌薬耐性（AMR）や患者間の変動が治療結果に大きく影響する中、個々の患者に最適な抗生物質を決定することは臨床的に困難です。本研究では、臨床データを用いて治療結果やチフスの疑い分類、耐性の代理スコアを予測するモデルを構築しました。
方 法：
XGBoostモデルを使用して、治療結果（バイナリ）、疑いチフスの分類、耐性代理スコアを予測する機械学習ベースの意思決定支援フレームワークを開発しました。モデルの性能は、分類タスクのAUROCや回帰のR²を用いて評価し、Brierスコアによる確率キャリブレーション分析も行いました。SHAPを用いて特徴の重要性を解釈し、患者レベルの説明を生成しました。
結 果：
治療結果の分類器は、テストAUROC 0.962±0.010と全体精度90%を達成しました。疑いチフスの分類器はAUROC 0.902±0.005で、全体分類精度は82%でした。耐性代理回帰モデルは中程度の予測能力（R²=0.588±0.011）を示しました。SHAP分析により、血小板数、年齢、ヘモグロビン、カルシウム、カリウム、重症度スコアが主要な予測因子として特定されました。反事実的薬剤シミュレーションでは、モデルの推奨が臨床医の処方と一致したのは37.1%で、28.2%では2位の選択肢として現れました。
結 論：
本研究は、患者レベルの臨床プロファイルを用いたチフス治療における抗生物質選択のシミュレーションの実現可能性を示しています。リソースが限られた環境における抗菌薬耐性管理に関連する抗生物質最適化のための意思決定支援フレームワークを提供します。