機械学習による肺血栓塞栓症の予測改善と緊急治療室における不必要なCTスキャンの削減
カテゴリ：診断支援・画像解析
公開日：2026年1月10日
タイトル：Machine learning improves prediction of pulmonary thromboembolism and reduces unnecessary computed tomography scans in the emergency department.
雑誌名：Sci Rep. 2026 Jan 09; doi: 10.1038/s41598-025-34952-x. Epub 2026 Jan 09.
概 要：
本研究は、肺血栓塞栓症（PTE）の診断を支援するために、緊急治療室の患者における機械学習（ML）モデルの開発を目的としています。2012年1月から2021年12月までの間に、Dダイマー値が0.5μg/ml以上の2,525人の患者を対象に、CT肺動脈造影（CTPA）を受けたデータを後ろ向きに分析しました。データは訓練セット（2,025人）とテストセット（500人）に分けられ、6つのMLモデルが改訂ジェネバスコアと比較されました。XGBoostモデルは最高のAUC 0.814を達成し、全てのMLモデルが改訂ジェネバスコアを上回りました。XGBoostモデルは、CTPAスキャンの数を最大33.2%削減できる可能性が示されました。
方 法：
この研究は、2,525人の緊急治療室の患者を対象にした後ろ向き研究です。患者は、Dダイマー値が0.5μg/ml以上でCTPAを受けた者で、データは訓練セット（2,025人）とテストセット（500人）に分けられました。6つの機械学習モデル（XGBoost、ランダムフォレスト、ロジスティック回帰、エラスティックネット回帰、サポートベクターマシン、フィードフォワードニューラルネットワーク）が改訂ジェネバスコアと比較され、AUCを用いて評価されました。
結 果：
573人（22.7%）の患者がPTEと診断され、XGBoostモデルはAUC 0.814を達成しました。全てのMLモデルが改訂ジェネバスコア（AUC 0.622）を上回り、Dダイマーと活性化部分トロンボプラスチン時間が最も重要な予測因子でした。XGBoostモデルは、感度100%、95%、90%でCTPAスキャンをそれぞれ3.0%、14.8%、33.2%削減できることが示されました。
結 論：
機械学習モデル、特にXGBoostは、改訂ジェネバスコアと比較してPTEリスクの予測を改善し、緊急治療室における不必要なCTPA画像検査の削減に寄与する可能性が示されました。