Machine learning-based identification of key risk factors for deep vein thrombosis within one week after total joint arthroplasty in elderly patients

毎年、何百万人もの高齢者が、動きやすさを取り戻し痛みを和らげるための処置である、摩耗した股関節や膝関節を置換する大規模な手術を受けています。しかし、その回復過程には隠れた危険が潜んでいます。それは、脚の深い静脈に血栓が形成される、深部静脈血栓症として知られる状態です。高齢の患者にとって、この合併症は特に深刻です。入院期間を長期化させ、医療コストを増大させ、さらに深刻な場合には、血栓が肺に飛ぶことで命に関わる事態を招くこともあります。医師たちは、誰が最もリスクが高いかを推定するために、長年標準的なチェックリストに頼ってきましたが、これらのツールはすべての人工関節置換術患者を一律に扱い、真に危険な状態にある人と区別することなく、全員をハイリスクと分類してしまうことがよくあります。このような精度の欠如は、一人ひとりに適切なレベルの保護を提供することを困難にしています。

これを解決するために、研究者たちは機械学習と呼ばれるコンピュータサイエンスの一分野に目を向けました。固定された一連のルールに従う代わりに、これらのコンピュータプログラムは、膨大な過去の患者データから学習し、人間の観察者が見落とす可能性のある複雑なパターンを見つけ出します。目標は、患者の病歴、血液検査の結果、および手術の詳細を見て、手術後1週間以内に血栓が発生するかどうかを高精度に予測できるデジタルツールを構築することです。最も重要な特定の要因を特定することで、そのようなツールは医師が予防戦略を個別に調整するのを助け、特別なケアを必要とする人にはそれを提供し、必要のない人には不必要な治療を避けることを可能にします。

中国科学技術大学の研究チームは、そのようなツールを構築し、テストすることに着手しました。彼らは、2024年に単一の病院で人工関節置換術を受けた、60歳以上の高齢患者3,050人の情報を収集しました。チームは、年齢、性別、体格指数（BMI）、糖尿病や癌などの既往歴を含む、各個人の幅広いデータポイントを収集しました。また、炎症レベルや血液凝固因子などの術前血液検査からの具体的な数値も抽出し、手術時間、骨セメントの使用の有無、および血流を止めるための止血帯（ターニケット）の使用の有無を含む、手術室での詳細も記録しました。彼らが予測しようとした結果は、単純ながらも極めて重要なものでした。すなわち、患者が手術後7日以内に脚に血栓を発症したかどうかを、超音波検査によって確認することです。

コンピュータモデルを訓練するために、研究者たちは医療データにおける一般的な問題に対処する必要がありました。それは、ほとんどの患者は血栓を発症せず、より少数の患者のみが発症するという点です。この不均衡は、学習アルゴリズムを混乱させる可能性があります。これを修正するために、彼らは、より少ない数のグループの合成例を作成する手法を用い、コンピュータが両方の側面から等しく学習できるようにデータセットを実質的にバランスさせました。その後、データを分割し、大部分のデータを用いて4種類の異なる機械学習アルゴリズムに予測方法を教え、残りのデータを使用して、新しい未知の患者に対してそれらの予測がどの程度うまく機能するかをテストしました。テストされた4つのアルゴリズムには、ロジスティック回帰として知られる伝統的な統計手法、一連の「はい」か「いいえ」の質問を行う決定木、多くの決定木を組み合わせたランダムフォレスト、そして自身のミスから学習することで非常に精度の高いモデルを構築するXGBoostと呼ばれる強力な手法が含まれていました。

チームが結果を比較した際、一つのモデルが明らかに際立ちました。XGBoostアルゴリズムは最も効果的であることが証明され、血栓を発症する患者としない患者の大部分を正確に特定しました。それは、複雑な要因間の関係を捉えるのに苦労した伝統的な統計的アプローチを含む他の手法を大きく上回る精度を達成しました。ランダムフォレストのモデルも良好なパフォーマンスを示しましたが、そこまでの精密さはありませんでした。一方、決定木と伝統的な統計モデルは大幅に後れを取りました。XGBoostモデルの優れた性能は、血栓の発症リスクが単一の要因によって引き起こされるのではなく、高度なコンピュータプログラムだけが解き明かすことのできる、複雑な相互作用の網によって駆動されていることを示唆しています。

なぜこのモデルがこれほど上手くいったのかを理解するために、研究者たちはアルゴリズムの層を剥ぎ取り、どの特定の情報が予測を左右しているのかを見る手法を用いました。彼らは、最も影響力のある要因は、予想されるような手術時間や骨セメントの使用ではなく、むしろ術前の血液検査であったことを見出しました。具体的には、血液が凝固するまでの時間、炎症を示すC反応性タンパク質のレベル、およびDダイマーの量が最も強力な予測因子でした。また、患者の性別も重要な役割を果たしており、このグループにおいては女性の方が男性よりも高いリスクを示しました。これらの知見は、炎症と血液凝固が体内でどのように相互作用するかについて知られている事実と一致しており、手術前の患者の内的な状態が、手術自体の詳細よりも信頼できる初期リスクの指標であることを示唆しています。

本研究は、機械学習のアプローチが患者ケアを向上させる有望な方法であることを結論付けています。複雑な医療データを正確に仕分けできるモデルを使用することで、医師は現在の手法よりもはるかに高い精度で、血栓のリスクが高い高齢患者を特定できるようになるかもしれません。これにより、最も必要としている人々にリソースを集中させ、より標的を絞った予防戦略が可能になります。研究者たちは、彼らの研究が単一の病院のデータに基づいていること、そしてその信頼性を確認するためには、より大きなグループでのさらなる検証が必要であることを指摘していますが、結果は整形外科手術における個別化されたリスク評価の新しい時代の強力な基盤を提供しています。今後の道のりは、このツールがすべての人に対して機能することを保証するために、異なる医療センター全体でこれらの知見を検証することですが、より良い予測を通じて危険な合併症を防ぐという可能性は、今や手の届くところにあります。