症状とライフスタイルデータを用いた前癌性胃病変の非侵襲的スクリーニングのための解釈可能な機械学習モデルの開発と検証：多施設コホート研究
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Development and validation of an interpretable machine learning model for non-invasive screening of precancerous gastric lesions using symptom and lifestyle data: a multicentre cohort study.
雑誌名：EClinicalMedicine. 2026 Feb; 92: 103756.
概 要：
本研究は、前癌性胃病変（PLGC）の非侵襲的スクリーニングのために、症状とライフスタイルデータを用いた解釈可能な機械学習モデルを開発し、その有効性を検証することを目的としています。従来の内視鏡検査に代わる手法を提供することで、特に資源が限られた環境でのアクセス向上を目指しています。1034人の成人参加者から得られたデータを基に、モデルを構築し、外部の検証コホートでもその性能を評価しました。結果として、モデルは従来のガイドラインに基づくスクリーニング戦略よりも優れた性能を示しました。
方 法：
この多施設研究では、悪性腫瘍の既往がない成人参加者1034人を対象に、症状とライフスタイルデータを収集しました。データは訓練セット（620人）、内部検証セット（207人）、テストセット（207人）に分割され、外部検証には630人の回顧的コホートと847人の前向きコホートを使用しました。7つの基礎学習器を統合したスタッキングアンサンブルモデルを開発し、SHAPを用いて臨床的解釈を行いました。
結 果：
合計2511人の参加者が含まれ、PLGCの発生率は開発コホートで49.2%、回顧的検証コホートで52.5%、前向き検証コホートで36.8%でした。モデルは、内部テストセットでAUC 0.82、外部回顧的検証セットでAUC 0.80、前向き検証セットでAUC 0.79を達成し、ガイドラインに基づく戦略を全てのデータセットで上回りました。コスト効果分析では、PLGC検出あたりの平均コストが37.1%削減されることが示されました。
結 論：
症状とライフスタイル情報を統合した解釈可能な機械学習モデルは、PLGCの非侵襲的スクリーニングにおいて従来のガイドラインに基づく戦略よりも優れた性能を示しましたが、年齢や地域分布による一般化の限界があるため、さらなる研究が必要です。