非侵襲的検査とBモード超音波を用いた機械学習モデルによる代謝機能障害関連脂肪肝疾患における肝関連アウトカムの予測
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：Machine learning models using non-invasive tests & B-mode ultrasound to predict liver-related outcomes in metabolic dysfunction-associated steatotic liver disease
雑誌名：Sci Rep. 2025 Jul 08; 15(1): 24579.
概 要：
本研究は、代謝機能障害関連脂肪肝疾患（MASLD）の肝関連アウトカムを予測するために、非侵襲的検査（NIT）とBモード超音波（US）に基づく機械学習（ML）アルゴリズムを評価することを目的としています。2010年から2021年にカナダの二つの三次医療センターで生検を受けた成人MASLD患者を対象にした後ろ向きコホート研究を実施しました。457人の患者が含まれ、44.9%がF3-4で、糖尿病の有病率は31.6%でした。平均43ヶ月のフォローアップで6.3%が肝関連の有害事象を経験しました。MLモデルは、肝不全や肝関連のアウトカムを高精度で予測することが示されました。
方 法：
この研究は、2010年から2021年に生検を受けた457人の成人MASLD患者を対象とした後ろ向きコホート研究です。ランダムフォレストを用いて、肝不全、肝関連アウトカム（肝不全、肝細胞癌（HCC）、肝移植、肝関連死亡）、F3-4、線維性代謝機能障害関連脂肪肝炎（MASH）の予測モデルを作成しました。診断性能は曲線下面積（AUC）を用いて評価されました。
結 果：
ML予測モデルのAUCは、肝不全0.90（0.79-0.98）、肝関連アウトカム0.87（0.76-0.96）、HCC 0.72（0.29-0.96）、肝関連死亡0.79（0.31-0.98）、F3-4 0.83（0.76-0.87）、線維性MASH 0.74（0.65-0.85）でした。生化学的および臨床的変数が全体的に最も重要な特徴であり、USパラメータよりも高い重要性を示しました。
結 論：
臨床、生化学、USに基づく変数に基づくMLモデルは、MASLDの有害なアウトカムを正確に予測できることが示されました。生化学的変数が最も重要な特徴であり、USに基づく特徴は本研究では有意な予測因子ではありませんでした。