集中治療室に入院した患者における肺塞栓症を特定する機械学習モデル
カテゴリ：公衆衛生・予防医療
公開日：2026年6月12日
タイトル：A machine learning model to identify pulmonary embolism in patients admitted to intensive care.
雑誌名：Comput Biol Med. 2026 Mar; 204: 111548. doi: 10.1016/j.compbiomed.2026.111548.
概 要：
肺塞栓症（PE）は予防可能な死亡の主要な原因ですが、統計的予測モデルの有効性は一貫していません。本研究の主な目的は、臨床ケアで日常的に収集されるデータを用いて訓練された機械学習モデルが、重症患者における急性PEを正確に特定できるかを検証することです。全国的に取得した2つの多施設データセットを利用し、ICU入院後に利用可能な人口統計、併存疾患、生理学的および検査データから特徴を抽出してモデルを訓練しました。
方 法：
本研究では、開発コホートとして全国的に収集されたデータと、ジョンズ・ホプキンズ医療システム内の外部検証コホートを使用しました。機械学習モデルは、ICU入院後に利用可能なデータを基に急性PEの特定を目指しました。主要評価指標は、ICU入院中の急性PEの特定です。モデルの性能は、2つのベンチマークPEリスクスコアと比較されました。
結 果：
開発データセットでは164,383件中2647件（1.61%）、外部検証データセットでは64,923件中754件（1.16%）でPEが診断されました。ICU入院後48時間のデータを使用した場合、ロジスティック回帰機械学習モデルの受信者動作特性曲線（AUROC）は0.829（95% CI: 0.808-0.852）、ベンチマークスコアはそれぞれ0.704（0.681-0.727）および0.667（0.653-0.681）でした。外部検証データセットでもAUROCは0.819（0.802-0.836）を維持しました。
結 論：
本研究の結果は、ICU患者において日常的に収集される臨床データを用いてPEを正確に検出できることを示しています。機械学習モデルは既存のベンチマークリスクスコアを上回る性能を示し、重症患者におけるPEの可能性を評価するための貴重なツールとなる可能性があります。