冠動脈石灰化中等度から重度の患者における経皮的冠動脈インターベンション成功予測のための機械学習の利用：前向きコホート研究
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Prediction of Percutaneous Coronary Intervention Success in Patients With Moderate to Severe Coronary Artery Calcification Using Machine Learning Based on Coronary Angiography: Prospective Cohort Study
雑誌名：J Med Internet Res. 2025 Jul 11; 27: e70943.
概 要：
本研究は、冠動脈石灰化中等度から重度（MSCAC）の患者における経皮的冠動脈インターベンション（PCI）の即時成功率を予測するために、機械学習（ML）を用いて冠動脈造影の血管特性とPCI手技を特定することを目的としています。3271人のMSCAC患者と17998人の軽度または無石灰化患者を対象に、6つのMLモデルを開発し、モデルの性能を比較しました。最適なアルゴリズムはXGBoostであり、重要な予測因子として病変長、最小内腔直径、血栓溶解流量グレードなどが特定されました。
方 法：
この研究は、2017年1月から2018年12月までにPCIを受けた3271人のMSCAC患者を対象にした前向きコホート研究です。6つの機械学習モデル（k近傍法、勾配ブースティング決定木、XGBoost、ロジスティック回帰、ランダムフォレスト、サポートベクターマシン）を開発し、データの不均衡に対処するために合成少数オーバーサンプリング技術を使用しました。モデルの性能は複数のパラメータを用いて比較され、SHAPを用いてモデルの解釈性を高めました。
結 果：
開発コホートでは、MSCAC患者の7.6%がPCI失敗を経験したのに対し、無または軽度の冠動脈石灰化患者は4.3%でした。XGBoostモデルは、AUC 0.984、平均精度0.986、F1スコア0.970を達成し、優れた性能を示しました。重要な予測因子には病変長、最小内腔直径、血栓溶解流量グレードなどが含まれ、修正バルーンの使用がPCI成功に寄与しました。テストコホートでもAUC 0.972を維持しました。
結 論：
本研究は、病変長や修正バルーンなどの重要なPCI失敗リスク因子を明らかにし、機械学習モデルを用いて複雑な冠動脈疾患を有する患者におけるPCI戦略の管理に役立つ可能性を示しました。