CAKUT小児における腎不全予測のための解釈可能な機械学習モデル
カテゴリ：公衆衛生・予防医療
公開日：2026年6月22日
タイトル：Interpretable machine learning model for predicting kidney failure among CAKUT children in multicenter large-scale study.
雑誌名：NPJ Digit Med. 2026 Jun 20; doi: 10.1038/s41746-026-02901-1.
概 要：
先天性腎尿路異常（CAKUT）は小児腎不全の主要な原因ですが、個々の進行を予測することは困難です。本研究では、CAKUT患者における腎不全リスクを診断後1年、3年、5年で予測するための機械学習モデル「POCC」を開発・検証しました。2249人の子供から得たデータを使用し、一般モデルと専門モデルの2種類を作成しました。一般モデルは内部AUCが0.93-0.99、外部AUCが0.89-0.98および0.81-0.90を達成しました。専門モデルは、先天性・遺伝的特徴を統合し、内部AUCが0.93-0.99、外部AUCが0.91-0.96を達成しました。POCCはオンラインで展開され、実世界での検証において90.7%の精度を示しました。このツールは、患者ごとの多様なCAKUTサブフェノタイプにおけるリスク予測を行う初の試みであり、個別化管理を支援する強い可能性を持っています。
方 法：
本研究は、2249人のCAKUT患者を対象にした多施設共同研究です。機械学習モデルPOCCは、診断後の腎不全リスクを1年、3年、5年で予測するために開発されました。一般モデルと専門モデルの2種類が作成され、各モデルの性能は内部および外部のAUCで評価されました。
結 果：
一般モデルは内部AUCが0.93-0.99、外部AUCが0.89-0.98および0.81-0.90を達成しました。専門モデルは内部AUCが0.93-0.99、外部AUCが0.91-0.96を達成しました。POCCは実世界での検証において90.7%の精度を示しました。
結 論：
POCCはCAKUT患者における腎不全リスクを多時間点で予測する初のツールであり、個別化管理を支援する可能性が高いことが示されました。