Failure of Cross-Procedure Transportability of Preoperative Prolonged Length-of-Stay Prediction From VATS to Esophagectomy: A Locked Model Evaluation Study

技術要約：VATSから食道切除術への術前長期入院予測のクロスプロシージャ（術式間）移植性の失敗

問題提起
ある手術集団に対して開発された予測モデルは、たとえ同じ施設内であっても、異なる術式に適用した場合に性能を維持できないことがよくある。本研究は、「クロスプロシージャ（術式間）の移植性」という具体的な課題、すなわち、ビデオ肋骨鏡下胸腔鏡手術（VATS）を受ける患者に対して開発された術後長期入院（LOS）の術前予測モデルが、修正なしに食道切除術を受ける患者に適用できるかどうかを検討するものである。本研究は、生理学的負荷、回復経路、および退院基準が異なる個別の術式的文脈にモデルを転移させた際、そのようなモデルが識別能と較正性を維持できるかどうかを調査している。

方法論
本研究は、武漢大学人民病院において、以下の2つの異なるコホートを用いて行われた回顧的な方法論的研究である。

• ソース・コホート（開発用）： 待機的VATSを受ける成人患者301名（2021年1月–2025年7月）。
• ターゲット・コホート（評価用）： 食道癌のために食道切除術を受ける成人患者299名（2020年12月–2025年6月）。

アウトカムの定義：
長期LOSは、術式ごとに以下のように定義された：VATSでは7日超、食道切除術では15日超。これらの閾値は、各文脈における遅延した回復を表すものとして、同一の臨床的エンドポイントではないことを認めた上で、事前に規定されたものである。

予測因子およびモデル：
VATSコホートにおいて、2つの規定されたリッジ・ロジスティック回帰モデルが開発された：

1. 臨床モデル： 8つの予測因子（年齢、性別、BMI、喫煙歴、高血圧、血清アルブミン、FEV₁%、DLCO%）。
2. 臨床＋CTモデル： 上記8つの臨床予測因子に加え、2つのCT由来の複合指標（T5、T8、T10レベルで測定された平均胸壁筋厚および平均胸壁脂肪厚）。

実験デザイン：

• フローズン・パイプライン（凍結されたパイプライン）： 前処理パラメータ、ペナルティ値、係数、および予測ルールを含む完全なVATS予測パイプラインを開発し、1,000回のブートストラップ反復による内部検証を経て「凍結」した。
• ロックされた評価： 凍結されたモデルを、ターゲット・コホートへのチューニング、予測因子の選択、または係数の再推定を行うことなく、食道切除術コホートに直接適用した。
• 指標： 識別能（AUROC、AUPRC）、較正（切片、傾き、O/E比）、全体的な予測誤差（Brierスコア、ログロス）、および予測分布を通じて性能を評価した。
• 探索的解析： 評価後の解析として、切片のみの再較正、切片および傾きの再較正、ならびに適応の可能性を評価するための学習曲線を用いたリッジ係数の修正を行った。

主な結果

• 識別能： VATS開発コホートにおける楽観性補正後のAUROCは、臨床モデルで0.591、臨床＋CTモデルで0.597であった。ロックされた食道切除術評価では、性能が偶然レベル近くまで低下した。臨床モデルでは0.530（95% CI, 0.457–0.608）、臨床＋CTモデルでは0.534（95% CI, 0.456–0.613）であった。ペアのAUROC差は0.004であり、CT由来の複合指標がランキング性能を向上させたという証拠は得られなかった。
• 較正： 両モデルとも、食道切除術コホートにおいてリスクを系統的に過大評価した。較正切片は−0.919および−0.871であり、O/E比は約0.54–0.55であった。これは、予測確率が観察されたイベント発生率のおよそ2倍であることを示している。
• 予測分布： 臨床＋CTモデルは、食道切除術コホートに対してほぼ一定の予測値を生成しており（標準偏差 0.00036）、その結果、較正の傾きは推定不能となった。臨床モデルの標準偏差は0.0150であり、イベント群と非イベント群の分布には広範な重複が見られた。
• ケースミックス（症例構成）の変化： コホート間に有意な差が存在した。10個の予測因子のうち8個が、中程度から大きな標準化平均差（SMD）を示した。特に、平均胸壁脂肪厚、FEV₁、およびDLCOは、大きなシフト（SMD > 1.0）を示し、分布の重なりが限定的であった。
• 再較正と適応： 切片のみの再較正は平均的なリスクのオフセットを修正したが、個別のレベルでの識別能の回復には至らなかった。より大きな適応サイズ（235名）におけるリッジ係数の修正は、緩やかなAUROCの改善（モデル2で最大0.575）をもたらしたが、極めて不確実であり、独立したバリデーションとはみなされない。

主要な貢献

• 移植性失敗の実証的証拠： 本研究は、たとえ同一の三次救急医療機関内であっても、VATS用に開発された予測パイプラインは、食道切除術へは信頼性を持って移植できないことを「ロックされた」状態で実証した。
• 方法論的厳密性： データリークやターゲット・コホートへのチューニングを防ぐため、「フローズン・モデル」のプロトコルを厳格に遵守し、アルゴリズムの真の移植性を孤立させて評価した。
• 詳細な性能評価： AUROCを超えて、較正、予測分布、およびケースミックスの変化を評価することで、モデルが転移時に識別能と較正の両面で失敗し得ることを浮き彫りにした。
• CT値の評価： 本研究は、この特定のクロスプロシージャの文脈におけるCT由来の身体組成の増分価値を明示的にテストし、ランキング性能の向上に寄与しないことを示した。

意義および主張
本論文は、その主要な貢献は、評価されたモデルの適用限界を定義することにあると主張している。モデルの性能は、アルゴリズム固有の特性ではなく、予測因子、アウトカム、および臨床的文脈の結合分布に依存することを実証している。

著者らは、これらの知見が**ターゲット検証（標的とした検証）**の原則を支持するものであると強調している。すなわち、モデルはそれが使用される予定の特定の集団および臨床的文脈において評価されなければならない。本研究は、評価されたフローズン・パイプラインは、修正なしでは食道切除術患者において臨床的に使用するには不十分であると結論付けている。また、臨床実装の前に、予測パイプラインにはケースミックス、識別能、較正、および予測分布に関する術式固有の評価が必要であると論じている。著者らは、現在の凍結されたモデルも、探索的な適応モデルも、個別のカウンセリングやリソース配分を導くべきではないと明言しており、今後の研究は、標準化されたアウトカムを持つ、より大規模で術式に適合したコホート内でモデルを開発することに焦点を当てる必要があるとしている。