Development and Cross-Database Evaluation of 6-Hour Landmark Prediction Models for a Subsequent Packed Red Blood Cell Transfusion Record in Adult Trauma ICU Patients

集中治療室（ICU）という極限の環境において、時間はしばしば最も重要なリソースとなります。重症の外傷を負った患者が到着した際、医療チームの最優先事項は、出血を止め、身体を安定させることです。しかし、患者が病院に落ち着いたからといって、仕事が終わるわけではありません。その後の数日間、医師は患者がさらなる輸血を必要とする兆候がないか、警戒を続けなければなりません。輸血は命を救うものですが、リスクも伴い、行う時期が早すぎても遅すぎても回復を複雑にする可能性があります。課題は、その追加の血液が必要になることが明白になる前に、誰がそれを必要とするかを予測することにあります。伝統的に、医師は自身の経験と入院時の時点で利用可能なデータに頼っています。しかし、患者の状態は最初の数時間で急速に変化します。ここで新たな問いが生まれました。患者が集中治療室に入ってから6時間後の情報を見て、コンピュータモデルは、その日のうちに輸血が必要になるかどうかを正確に予測できるのだろうか？これは医師の判断に取って代わるためのものではなく、見過ごされてしまうかもしれない患者に対して、より注意深く観察することを促すためのタイムリーなシグナルを提供することを目的としています。

研究チームは、新しいタイプの予測ツールを構築し、テストすることでこの問いに答えようとしました。彼らは、入院後6時間以内に輸血を受けていない成人外傷患者に焦ずつに焦点を当てました。全米の病院から提供された大規模で匿名化されたデータベースを使用し、患者のバイタルサインや検査結果の中からパターンを見つけ出すようコンピュータアルゴリズムを学習させました。目標は、赤血球濃厚液（失われた血液量を補うために使用される標準的な血液製剤）を今後18時間以内に必要とする可能性が高い患者をフラグ立てできるシステムを作ることでした。研究者たちは単一のモデルを構築したのではなく、どれが最も効果的であるかを確認するために、5つの異なる数学的手法を開発しました。そして、結果が最初のデータグループの偶然の産物ではないことを確認するために、異なる病院からの全く別の患者記録を用いてこれらのモデルをテストしました。

研究の結果、これらのコンピュータモデルは、確かに、より多くの血液を必要とする患者とそうでない患者を区別できることがわかりました。最も成功したモデルは、「weighted XGBoost」と呼ばれる、さまざまな要因の重要性を重み付けする高度な手法を用いたもので、両方のデータセットにおいて良好なパフォーマンスを示しました。最初の患者グループにおいて、このモデルは区別が可能であったケースのうち、約100件中84件でリスクを正しく特定しました。176の異なる病院からの独立した第2の患者グループでテストした際も、その性能は強力なままであり、100件中約85件のケースでリスクを正しく特定しました。この一貫性は、このツールが作成された場所だけでなく、異なる病院環境でも機能するほど堅牢であることを示唆しています。

しかし、研究者たちは、ツールの性能を左右する決定的な詳細を発見しました。それは、特定の臨床検査の有無です。モデルの精度は、ヘモグロビン検査（血液の酸素運搬能力の指標）が患者の滞在初期に行われたかどうかに大きく依存していました。その検査が利用可能であった場合、将来の必要性を予測するモデルの能力は著しく高まりました。一方で、その検査が欠落している場合、モデルの性能は顕著に低下しました。この発見は、このツールが単に患者の生物学的な状態を読み取っているのではなく、病院のワークフローをも読み取っていることを浮き彫りにしています。もし医療チームがまだ必要な血液検査をオーダーしていなければ、コンピュータは全体像を見ることができません。これは、ツールが失敗することを意味するのではなく、むしろその有効性が、医師がすでに収集した情報に結びついていることを意味しています。

研究者たちはまた、コンピュータが意思決定を行う際に実際に「何を見ているのか」についても調査しました。彼らは、最も重要な手がかりは、最初の6時間間に記録された最低ヘモグロビン値、最低血圧、および最高心拍数であることを見出しました。これらは身体がストレス下にあることを示す論理的な指標ですが、コンピュータは特定の検査が欠落しているかどうかも注目していました。集中治療の世界では、検査が行われていないという事実が、検査結果と同じくらい雄弁に物語ることがあります。例えば、患者が安定していれば、頻繁な採血は行われないかもしれませんが、状態が悪化している患者は絶えず検査を受ける可能性があります。モデルは、こうしたケアのパターンを患者の物語の一部として認識することを学習したのです。

こうした成功にもかかわらず、著者たちはこのツールが「何ではないか」についても慎重に述べています。これは活動性の出血の診断でもなければ、輸血を命じるコマンドでもありません。モデルは、輸血の「記録」を予測するものであり、それは病院のコンピュータシステムにおける特定のイベントであり、必ずしも生物学的な必要性を指すものではありません。研究者たちは、このツールは人間によるレビューを促すためのプロンプトとして設計されていることを強調しています。もしモデルが患者にフラグを立てた場合、それは医師が患者の状態を改めて確認し、検査値を確認し、輸血が本当に必要かどうかを判断すべきであることを示唆しています。彼らのテストにおいて、これらのレビューをトリガーするための特定の閾値を使用した場合、約100人につき17人の患者にフラグが立つことになります。このグループには、実際に輸血を受けた患者の約70％が含まれることになり、つまり、このツールはスタッフを圧倒するような誤報の洪水（偽陽性）を避けつつ、リスクのある患者の大部分を捉えることができるということです。

また、研究では、24時間の観察期間が終了する前に患者が退院した場合に、モデルがどのように振る舞うかについても調査しました。現実の世界では、患者はそれぞれ異なるタイミングで集中治療室を離れるため、予測を複雑にすることがあります。研究者たちは、こうした中断があっても、モデルは患者をリスクによってランク付けする能力を維持していることを見出しました。モデルによって高リスクと判定された患者は、低リスクと判定された患者と比較して、実際に退院前に輸血を受けている可能性が高いことが示されました。このことは、このツールが、予測力を失うことなく、病院の退院という複雑な現実に対処できることを示唆しています。

最終的に、この研究は、よりスマートでタイムリーな外傷ケアのサポートに向けた一歩となります。研究者たちは、6時間のデータウィンドウがあれば、将来の血液需要に関する信頼できるリスク評価を構築するのに十分であることを示しました。複雑なコンピュータアルゴリズムがこれらのパターンを見つけ出すことができる一方で、予測の質は、その時点で利用可能な情報の質と密接に関連していることも示しました。このツールは医師に取って代わるものではありません。むしろ、医師の「第二の目」として、データが絶えずスキャンされ、必要としている患者が見過ごされないようにするためのものです。次のステップは、著者らが述べているように、このシステムを実際の病院のワークフローの中でテストし、それが実際に患者のアウトカムを改善し、チームの業務負荷を軽減できるかどうかを確認することです。それまでは、これは強力な概念実証であり、危機が決定定的になるずっと前に、輸血の必要性の警告サインを見つけ出すことができるデジタル・アシスタントなのです。