妊娠高血圧症候群予測のための機械学習モデル：系統的レビューとメタアナリシス
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Machine Learning Prediction Models for Preeclampsia: Systematic Review and Meta-Analysis
雑誌名：J Med Internet Res. 2026 Jan 19; 28: e78714. doi: 10.2196/78714. Epub 2026 Jan 19.
概 要：
妊娠高血圧症候群（プレエクランプシア）は、世界的に増加している重篤な高血圧障害です。本研究は、妊娠中の女性におけるプレエクランプシア予測のための機械学習（ML）モデルの性能を系統的に評価し、メタアナリシスを通じてその臨床応用の可能性を探ることを目的としています。これにより、将来の研究の質とモデルの予測能力を向上させることを目指しています。
方 法：
PRISMAガイドラインに従い、PubMed、Web of Science、IEEE Xplore、CNKIから2025年2月までに発表された研究を検索しました。妊娠中の女性におけるプレエクランプシア予測にMLを使用した研究を含め、バイアスはPROBASTを用いて評価しました。ランダム効果モデルを用いて要約推定を計算し、95%予測区間（PI）を算出しました。サブグループおよびメタ回帰分析を行い、異質性を探りました。
結 果：
合計26件の研究から31のMLモデルが含まれました。受信者動作特性曲線の面積（AUC）は0.91（95% CI 0.87-0.92）と高かったものの、極端な異質性が観察されました（I²>99%）。感度の95% PIは広く（0.32-0.96）、外部設定では感度が32%に低下する可能性が示唆されました。外部検証を行ったのは6件のみで、これらでは感度が0.68に低下し、PIは0.25-0.94でした。サブグループ分析では、検査バイオマーカーやニューラルネットワークを組み込んだモデルが他よりも優れていることが示されましたが、信頼区間は重なっていました。
結 論：
現在の証拠は、MLモデルの高いAUCが、内部開発データセットにおける「性能」を反映している可能性が高く、独立した多様な集団における「効果」と臨床的有用性を示すものではないことを示唆しています。性能は文脈に依存することが明らかです。今後の研究では、多施設の前向き外部検証と再キャリブレーション研究を行い、移転性と信頼性を向上させる必要があります。