Interpretable Machine Learning and Point-of-Care Digital Risk Stratification for Pneumothorax Following Lung Tumor Ablation: A Multicenter Validation Study

医師が、手術には小さすぎる、あるいは摘出のリスクが高すぎる肺腫瘍を治療する場合、しばしば「熱凝固療法（サーマルアブレーション）」と呼ばれる技術を用います。この処置では、細い針を皮膚を通して腫瘍へと誘導し、そこで強力な熱を用いてがん細胞を破壊します。これは低侵襲な外科手術の代替手段であり、多くの患者にとってより早い回復をもたらします。しかし、肺はデリケートで空気を含んだ臓器であり、針を刺すことには特有のリスクがあります。空気が漏れ出し、肺が虚脱してしまう可能性があるのです。この状態は「気胸」として知られ、一般的な合併症です。多くのケースは軽微で自然に治癒しますが、かなりの割合の患者が重度の虚脱に陥り、胸にチューブを挿入して空気を抜き、肺を再膨張させる処置を必要とします。現在、医師は術後、すべての患者に対して同じ方法で対応しています。つまり、この合併症が発生するかどうかを確認するために、丸一日注意深く観察を行うのです。この「画一的な」アプローチにより、リスクの低い多くの患者が無用な入院時間を過ごす一方で、リスクの高い患者には、手遅れになるまで十分な注意が行き届かない可能性があります。

中国・雲南省の病院の研究チームは、問題が起こる前に誰がリスクにさらされているかを予測できるツールを構築することで、この事後対応的なアプローチを変えようと試みました。彼らは、ある主要病院で肺腫瘍の熱凝固療法を受けた1,100人以上の患者からデータを収集し、その情報を使用してコンピュータプログラムを学習させました。目的は、腫瘍が肺の外層にどれくらい近いか、針を何回刺したか、加熱プロセスにどれくらいの時間がかかったかといった、患者固有の詳細な情報を調べ、重度の肺虚脱が発生する正確な確率を算出するシンプルな方法を見つけることでした。研究チームはこのコンピュータモデルを他の8つの異なる数学的手法と比較検討し、「ランダムフォレスト」として知られる特定のアルゴリズムが最も正確であることを突き止めました。このモデルは、加熱時間が一定のポイントを超えた場合や、針の刺入回数が数回を超えた場合にリークのリスクが急激に高まるといった、人間の医師が見落としがちなデータ内の複雑なパターンを学習しました。

チームは単にモデルを構築するだけでなく、それが現実の世界で機能することを保証するために、厳格な検証を行いました。彼らは、異なる都市にある他の2つの病院のデータを用いて知見を検証し、このツールが異なるグループの人々や異なる医療チームに適用された場合でも、うまく機能することを証明しました。また、医療技術が進歩してもツールが正確性を維持できることを確認するため、後日治療を受けた患者に対してもテストを行いました。その結果、このツールはAUC 0.86を達成しました。さらに重要なことに、コンピュータはその根拠を説明し、腫瘍の総加熱時間、針の刺入回数、および腫瘍と肺壁の距離が最も重要な要因であることを明らかにしました。分析の結果、具体的な安全基準が明らかになりました。例えば、総加熱時間を12分未満に抑え、針の刺入回数を3回未満に制限することで、リスクが大幅に低下することが分かりました。

この発見を医師にとって有用なものにするため、研究者たちは複雑なコンピュータコードを、ベッドサイドで使用できるシンプルで無料のウェブサイトへと変換しました。医師は今や、患者固有の詳細をこの計算機に入力するだけで、リスクスコアを即座に受け取り、それを「低、中、高、非常に高い」という4つのカテゴリーのいずれかに分類することができます。これにより、ケアのあり方を変えることが可能になります。低リスクと特定された患者は、早期に帰宅できる可能性があり、病院のリソースを解放できます。一方で、高リスクと判定された患者は、より注意深く監視されるか、あるいは即時の介入に備えることができます。また、この研究は、炎症や腫瘍量を示す特定の血液マーカーがリスク予測に役割を果たしていることも明らかにしており、患者の生物学的な構成が、物理的な処置と同じくらい重要であることを示唆しています。誰もが「待機して観察する」システムから、個々の具体的なリスクプロファイルに合わせてケアを行うシステムへと移行することで、このデジタルツールは肺がん治療をより安全で、効率的で、かつパーソナライズされたものにする道を開いています。