An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

最も高いリスクがつきまとい、時間が最も貴重な資源となる集中治療室（ICU）において、医師たちは患者の慢性的な疾患と新たな急性疾患との間の繊細なバランスを常に慎重に評価しています。最も一般的かつ困難な二つの慢性疾患は、心臓が血液を効果的に送り出すのに苦労する心不全と、体が糖分を適切に管理できなくなる状態である2型糖尿病です。これら二つの疾患が併存すると、「完璧な嵐」とも言える脆弱性が生まれます。心臓への負担と糖尿病による代謝の混乱によって、体の感染症に対する防御能力はすでに損なわれており、これらの患者は敗血症を発症する可能性が非常に高くなります。敗血症は感染症に対する生命を脅かす反応であり、急速に臓器を停止させ、死に至らしめる可能性があります。敗血症を治療するための猶予期間は極めて短いため、早期発見が不可лоですが、現在のツールでは、この特定の患者グループにおいて、手遅れになる前に警告サインを捉えきれないことがよくあります。

研究チームは、これらの患者のための新しい形の「安全網」を構築しようと試みました。それは、患者の医療データの中に隠された微かな信号を読み取ることができるものです。彼らは、人間が書いた厳格なルールに従うのではなく、膨大な過去の事例を学習することでパターンを認識することをコンピュータが学ぶ技術である、人工知能の一分野である機械学習を活用しました。その目的は、心不全と糖尿病を抱えた患者がICUに入院した際に収集される日常的なデータを見て、その患者が敗血症を発症しそうかどうかを、妥当な精度で予測できるシステムを作ることでした。多くの複雑なコンピュータモデルが、理由を説明せずに答えだけを出す「ブラックボックス」として機能するのに対し、このチームは、どの要因が危険へと傾かせたのかを正確に示すことができる、いわば「計算過程を見せることができる」システムを目指しました。

研究者たちは、米国の数千人の集中治療患者の記録を含む、二つの大規模な公開データベースからデータを収集することから始めました。彼らは、心不全と2型糖尿病の両方を抱えて入院した成人患者に焦ので絞り込みました。9,000人以上の候補者の中から、モデル構築のために一つのデータベースから7,806人の患者を選別し、その後、そのモデルが現実世界で通用するかを確認するために、別の病院群からなる別のグループの633人の患者を用いてテストを行いました。彼らは、心拍数や体温などのバイタルサイン、血液検査の結果、および患者が人工呼吸器を使用しているかどうかなど、入院後24時間の間に記録された幅広い情報に注目しました。

最も重要な手がかりを見つけ出すために、チームは単にどの要因が重要かを推測したわけではありません。彼らは、どの変数が一貫して敗血症を示唆しているかを特定するために、異なる統計的手法を比較するという厳格なプロセスを用いました。このプロセスによって、長い可能性のリストが、わずか7つの主要な指標へと絞り込まれました。これらには、急性腎障害の有無、人工呼吸器の使用、白血球数、体温、標準的なスケールで測定された意識レベル、血液中の酸塩基平衡の指標、および組織への酸素供給が不足しているときに蓄積する物質である乳酸値が含まれていました。

チームは、これら7つの指標を学習させるために、7つの異なるアルゴリズムを訓練しました。そして、それぞれのアルゴリズムをテストし、敗血症を発症する患者とそうでない患者を最もよく判別できるものを特定しました。XGBoostとして知られる一つのアルゴリズムが、最も信頼できるものとして浮上しました。初期テスト段階では、約71パーセントのケースでリスクを正しく特定しました。研究者がこの同じモデルを、他の病院の別の患者グループに適用したところ、約66パーセントのケースでリスクを正しく特定するという、まずまずの性能を維持しました。これは完璧ではありませんが、これまで専門的なツールを持たず、早期に危険を察知することができなかった患者グループにとって、意味のある前進となります。

この研究を特に価値あるものにしているのは、研究者が予測だけで終わらなかった点です。彼らはSHAPと呼ばれる手法を用いて、この「ブラックボックス」を開き、モデルがどのように意思決定を行っているのかを明らかにしました。その結果、コンピュータはランダムに推測しているのではなく、熟練した医師が見るであろう要素を数学的な精密さをもって優先していることが分かりました。モデルは、急性腎障害、意識レベルの低下、および白血球数の増加が、敗血症の前兆としての最も強力なシグナルであると判断しました。また、体温については、高熱も低体温も警告サインとなる一方で、正常な体温は安心材料となるという特定の形で重要であることを学習しました。同様に、高レベルの乳酸と人工呼吸器の必要性が、リスクを著しく高めることも認識していました。

研究者たちは、自分たちのモデルは優れた性能を示したものの、医師の判断に代わるものや、単独で治療決定を下すためのものではないことを慎重に注記しています。外部テストの結果、モデルは有用ではあるものの、決して絶対的なものではなく、日常的な臨床現場で使用される前に、異なる病院や異なる患者集団においてさらなる検証が必要であることが示されました。この研究は、日常的な医療データを用いて、心不全と糖尿病を持つ高リスク患者をフラグ立てできる、解釈可能なツールの構築が可能であることを示す「概念実証（プルーフ・オブ・コンセプト）」として機能しています。腎不全、呼吸困難、および血液化学の変化の組み合わせがトラブルの兆候となることを明らかにすることで、この研究は、無視するにはあまりにも速く進行する疾患に対して、臨床医が常に一歩先を行くための新しい方法を提示しています。