救急科における細菌尿の予測のための機械学習
カテゴリ：災害・救急医療
公開日：2025年8月26日
タイトル：Machine learning to predict bacteriuria in the emergency department
雑誌名：Sci Rep. 2025 Aug 24; 15(1): 31087.
概 要：
この研究は、救急科において利用可能なデータのみを用いて、細菌尿を予測する機械学習モデルの精度を評価することを目的としています。尿路感染症（UTI）は一般的な細菌感染ですが、しばしば誤診され、不適切に治療されることがあります。2017年1月1日から2021年12月31日までの62,963件の患者記録を遡及的に分析し、ロジスティック回帰、k近傍法、ランダムフォレスト、極端勾配ブースティング（XGBoost）、深層ニューラルネットワークを用いて、尿培養結果を予測しました。XGBoostは、すべての評価対象において最も高い受信者動作特性曲線下面積（AUROC）を示しました。
方 法：
本研究は、62,963件の患者記録を対象にした後ろ向き研究です。データは、尿検査および尿培養の結果を含み、2017年から2021年までの救急科の患者遭遇から収集されました。機械学習モデルとして、ロジスティック回帰、k近傍法、ランダムフォレスト、XGBoost、深層ニューラルネットワークを使用し、3つの尿培養結果（微生物成長の有無、10,000 CFU/mL以上の有無、100,000 CFU/mL以上の有無）を予測しました。
結 果：
XGBoostは、微生物成長なしで86.1%、10,000 CFU/mL以上で89.1%、100,000 CFU/mL以上で93.1%のAUROCを達成しました。UTIと診断された患者の中で、尿培養結果が微生物成長なしまたは100,000 CFU/mL以上であった場合、AUROCは91%でした。XGBoostは、救急科での患者遭遇時に利用可能なデータのみを使用して、細菌尿を正確に予測できることが示されました。
結 論：
機械学習アルゴリズムは、臨床現場での培養結果の予測や、経験的抗生物質治療の開始に関する意思決定を支援する貴重なツールとなる可能性があります。