救急部における肺塞栓症の早期予測と解剖学的分類のための説明可能な機械学習
カテゴリ：災害・救急医療
公開日：2026年7月18日
タイトル：Explainable machine learning for early prediction and anatomical classification of pulmonary embolism in the emergency department.
雑誌名：BMC Emerg Med. 2026 Jul 17; doi: 10.1186/s12873-026-01602-y.
概 要：
肺血栓塞栓症（PTE）は、救急部で迅速かつ正確な評価が求められる生命を脅かす状態です。本研究では、Wellsおよび改訂ジュネーブスコアに基づく初期リスク評価の後に補完的な意思決定支援層として機能する説明可能な機械学習（XML）モデルを開発しました。これにより、PTEの予測精度を向上させ、画像診断に依存しない早期の血栓位置の指標を提供することを目指しました。
方 法：
2022年から2024年にかけて、Mashhad大学医学部の3つのセンターで、PTEが疑われる472人の救急患者から臨床および副臨床データを収集しました。CT肺動脈造影（CTPA）を診断および解剖学的分類の基準とし、Extra Treesなどのアンサンブルアルゴリズムを用いた機械学習モデルを開発しました。SHAP値を用いた説明可能なAI（XAI）により、特徴の寄与を定量化しました。
結 果：
中程度から高確率の患者群において、Wells/Genevaスコアで全員がPTE疑いと分類されましたが、CTPAで陽性と確認されたのは24%でした。機械学習モデルは、Extra Treesが最も高い性能を示し、精度0.82、感度0.69、特異度0.86、AUC 0.83を達成しました。PTE陽性ケースの中で、中央血栓に対するAUCは0.77、末梢血栓に対するAUCは0.67であり、全体の解剖学的分類精度は63%でした。
結 論：
提案されたXMLモデルは、既存のスコアリングシステムを補完し、診断効率を向上させ、不要な画像診断を減少させる透明で臨床に即したフレームワークを提供します。