PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

心臓や肺の主要な手術を受ける患者にとって、術後の数時間は、身体の回復が安定するか、あるいは危険な局面へと転じるかどうかの極めて重要な局面となります。集中治療室（ICU）では、医療チームは絶えず膨大な情報に監視を続けています。心臓の一定のリズム、静脈を流れる血液の圧力、そして血液自体の化学的バランスといった情報です。数十年にわたり、医師たちは、年齢、既存の疾患、あるいは手術前に行われた血液検査の結果といった、患者の健康状態を示す「静的なスナップショット」を頼りに、誰が苦戦するかを予測してきました。しかし、麻酔下にある間や手術中に発生する刻一刻との変化は、別の種類の物語、つまりリアルタイムで展開される物語を提示しています。研究者たちの中心的な問いは、これら2種類の情報、すなわち患者の固定された背景としての健康状態と、手術室からの動的で変化する信号を組み合わせることが、誰がリスクにさらされているかというより鮮明な全体像を描き出すのか、それとも一方の情報源だけで十分なのか、ということでした。

研究チームは、胸部外科手術後の患者を見守るために設計された新しい種類のコンピュータシステムを構築することで、この問いに答えようと試みました。彼らはその創造物を「PhysioFusion」と名付けました。これは、患者の永続的な病歴と、手術中のライブで流れるデータの両方を読み取ることができる、非常に注意深い観察者のように機能するツールです。このシステムは、数千人の患者の詳細を含む、米国胸部外科学会（Society of Thoracic Surgeons）の膨大な記録を用いて学習されました。研究者たちはコンピュータに2つの異なるデータストリームを入力しました。一つは、心不全の既往歴があるか、あるいは白血球がどの程度あるかといった、各患者に関する「静的な事実」のリストであり、もう一つは、手術が進むにつれて血圧や心機能などを毎秒追跡する、手術室からの「連続的な数値のストリーム」です。この複雑さを理解するために、チームは単一の手法には頼りませんでした。代わりに、彼らはアンサンブル、つまり協力して働く異なる数学的モデルのグループを構築しました。システムの一部は静的なリストの中にあるパターンを見つけ出すように設計され、また別の部分は、音楽家が楽譜を読むのと、ビートに合わせて即興演奏をするのとがどのように違うかのように、時間に基づいた信号のリズムと流れを理解することに特化していました。

目的は、術後に集中治療室で起こりうる深刻な合併症である「有害事象」を予測することでした。研究者がこのシステムをテストしたところ、安定した状態を維持する患者と合併症に直面する患者を、高い精度で区別できることが分かりました。モデルは、両方のグループを分離する能力において0.87のスコアを達成しましたが、これはスクリーニングツールとして信頼できるレベルであることを示唆しています。このモデルは、特に「悪い結果が起こらない」患者を特定することに長けており、ほぼすべてのケースで合併症がないことを正しく排除できました。これはスクリーニングツールとして極めて重要な特徴です。なぜなら、リスクが低いと判定された患者が本当に安全であることを医師に確信させ、最も集中的なリソースを必要とする少数の患者に注力できるようにしてくれるからです。また、システムは予測に最も影響を与えた特定の要因も特定しました。それには、手術前の心不全の有無、手術中に血液をポンプする装置が必要であったか、人工心肺の使用時間、および白血球のレベルが含まれていました。

しかし、最も驚くべき発見は、研究者がこれら2種類のデータを個別にテストしたときに得られました。彼らは、静的な病歴とライブの手術室信号を組み合わせることで、どちらか一方よりも優れた「スーパーパワーed」な予測ができると期待していました。ところが実際には、患者の病歴から得られる静的なデータを単独で分析した場合、組み合わせたシステムと同じ0.87のスコアに達し、組み合わせたシステムと同等の性能を示すことが判明したのです。一方で、手術室からのライブ信号を単独で分析した場合は、0.83とわずかに低い結果となりました。この発見は、この特定の患者グループにおいては、これら2種類の情報がパートナーとしてではなく、互いに「代用」の関係にあることを示唆しています。手術中の詳細かつ刻一刻と変化するデータは、静的な病歴がすでに含んでいる以上の新しい情報を付け加えることはありませんでした。むしろ、この組み合わせは、あらゆるリスクを捉えることと誤報を避けることの間のバランスを単に変化させただけであり、有用な信号の総量を増やすことなく、感度と精度のトレードオフを変えただけだったのです。

ライブデータに関するさらなる調査により、単一のモニタリングチャネルが物語の唯一のヒーローではないことが明らかになりました。システムは、心拍数や酸素レベルといった単一の数値だけに頼って判断を下すわけではありません。平均血圧や中心静脈圧は、最も代替不可能な情報の断片でしたが、システムは特定の信号が一つ欠けたとしても機能できることを示しました。これは、このツールが頑健（ロバスト）であることを意味しており、一つのモニターが故障しても壊れることはありません。本研究の結論として、高度なシステムは複雑なデータストリームを統合できるものの、標準的な患者記録とレジストリデータのみを利用できる病院であっても、フルタイムの時系列モニタリングを備えた病院と同等の予測精度を達成できることが示されました。この研究は、このような文脈における術後合併症の予測においては、患者の既存の状態を深く理解することが、手術中の時計の針が進むのを監視することと同じくらい強力であることを証明しています。