Early Mortality Prediction in Upper Gastrointestinal Bleeding Using Explainable Machine Learning: Comparison with Established Clinical Risk Scores

救急外来（ED）を、日々何千人もの乗客（患者）が到着する賑やかな駅だと想像してみてください。ある者は素早く乗り継ぎをするだけですが、中には即座に救助を必要とする切実な状況にある者もいます。その中でも、特定のグループが「上部消化管出血（UGIB）」という症状を抱えて到着します。これは、胃や食道の上の部分からの深刻な出血を指す、少し難しい言葉です。医師たちの最大の挑戦は、超スマートな車掌のように振る舞うことです。つまり、どの乗客が30日以内に目的地にたどり着けない危険があるかを瞬時に見抜き、彼らを待合室へ送るのではなく、VIP救助チーム（集中治療室）へと急行させる必要があるのです。

長年、車掌たちは「臨床リスクスコア」と呼ばれる、印刷された古いルールブック（グラスゴー・ブラッドロフ・スコア、ロックオール、AIMS65、そして新しいABCスコアなど）を使用してきました。これらのルールブックは、単純なチェックリストのようなものです。「もし患者が65歳以上なら、1点を加算。もし血圧が低ければ、もう1点を加算」といった具合です。これらは機能してはいますが、少し硬直的です。まるで直線しか理解できず、人間の体がストレスに対してどのように反応するかという、複雑に絡み合った網目模様を見ることができないロボットのようです。

ここで、新たな挑戦者が登場します。機械学習（ML）の探偵チーム、具体的にはXGBoostと呼ばれるモデルです。このモデルを、単なるチェックリストではなく、人間の目では見逃してしまうような、群衆の中に隠れたパターンを見つけ出す超鋭い観察眼を持つ探偵だと考えてください。この探偵は一つのことだけを見るのではなく、患者が救急外来のドアをくぐった瞬間に利用可能な、年齢、呼吸数、血糖値、白血球数といった63もの異なる手がかりを調べます。

大決戦
研究者たちは、2015年1月1日から2026年1月1日までの間に救急外来に到着した719名の患者のデータを収集しました。このうち、53名（約7.4%）が残念ながら30日以内に亡くなりました。目標は、この新しいML探偵が、古いルールブックよりもこれらの死をより良く予測できるかどうかを確認することでした。

結果は、まるで驚きのレースのようでした。古いルールブックも全力を尽くし、最新のABCスコアが、AUROC（曲線下の面積）0.742という「スコア」を叩き出し、最も速い走りを披露しました。しかし、到着時の情報のみを使用したED XGBoostモデルは、わずかに優れたレースを展開し、0.789というスコアを記録しました。

ここでひねりがあります。論文によれば、MLモデルと最高の旧ルールブック（ABC）との差は、圧倒的な勝利とは言えないほど小さかったことが示唆されています。数学的な計算（p値が0.264）によれば、その差は単なる数字上の偶然である可能性があるほどでした。しかし、MLモデルは、旧来のルールブックにはできなかったことを成し遂げました。それは「較正（キャリブレーション）」において非常に優れていたことです。気象予報士を想像してみてください。古いルールブックは、実際には土砂降りになる状況でも「降水確率50%」と言うかもしれません。MLモデルの予測は、実際の天気により近いものでした。予測誤差の尺度である「ブライア・スコア」において、ABCスコアの0.142に対し、MLモデルは0.061という数値を記録しました。平たく言えば、MLモデルは単に誰が病気になるかを推測しただけでなく、その人が「どれほど重症になるか」をより正確に推測したのです。

「魔法の」15の手がかり
研究者たちは、「63もの手がかりが本当に必要なのか、それとも上位15個だけで十分なのか？」と考えました。彼らは探偵の道具箱を小さくすることを試みました。初期の実験では、リンパ球数、乳酸、アルブミンといったわずか15の変数を用いた小さなモデルが、さらに速いペースで走り、0.814というスコアに達しました。

しかし、この論文は非常に慎重です。彼らがこの小さなモデルを、より厳格で慎重な方法（単にデータに慣れすぎていないかを確認するため）でテストしたところ、スコアは0.765へと少し低下しました。著者らは、最初の「超高スコア」は、モデルが訓練された特定のデータに対して少し慣れすぎていた（過学習していた）ためであると示唆しています。この低下があったとしても、この小さなモデルは依然として良好なパフォーマンスを示し、ABCスコアよりも優れた結果を残しました。

探偵が見つけたもの
SHAPと呼ばれる特殊なツール（どの手がかりが重要かを拡大鏡で見るようなもの）を使用することで、モデルは最も重要な危険信号を明らかにしました。主要な容疑者は以下の通りです：

• 乳酸（Lactate）： 高レベル（死亡した群では2.50 mmol/Lに対し、生存者は1.70 mmol/L）は、大きなレッドフラグです。これは車のエンジンがオーバーヒートしているようなもので、体が十分な酸素を得られていないことを意味します。
• リンパ球数（Lymphocyte count）： 低レベル（0.95に対し、生存者は1.55）は、免疫系が苦戦していることを示唆しています。
• C反応性タンパク（C-reactive protein）： 高レベル（12.0 mg/dLに対し、生存者は3.46 mg/dL）は、深刻な炎症を指し示しています。
• アルブミン（Albumin）： 低レベル（3.30 g/dLに対し、生存者は3.59 g/dL）は、栄養不良や長期的なストレスを暗示しています。

この論文が否定したもの
本研究は、誰が亡くなるかを予測するために、内視鏡検査（胃の中をカメラで見る検査）や輸血の記録を待つ必要があるという考えに対し、明確に反対しています。「フルモデル」（これらの後続の詳細データを含むモデル）は、「EDモデル」（到着時の初期データのみを使用するモデル）とほぼ同じ性能を示しました。著者らは、患者の全体的な身体状態や、出血に対する体の反応の方が、出血自体の具体的な詳細よりも重要であると示唆しています。

最終的な判定
論文は、これらの新しい機械学習モデルが、医師が患者の到着直後に意思決定を行うのを助ける、有望かつ実用的なツールになり得るという結論を下しています。これらは従来のルールブックよりも正確で、較正も優れています。しかし、著者らは正直です。これは一病院における単一の研究であり、死亡数（53名）も比較的少ないものです。彼らは、これらのモデルを実際に医師が使用する前に、あらゆる場所で機能するかどうかを確認するために、他の病院でもテストする必要があると提案しています。これは、救急医療の未来が超スマートな探偵の姿になるかもしれないという、非常に強力なヒントなのです。