A spatiotemporally validated machine-learning score for venous thromboembolism risk after neurosurgery

技術要約：脳神経外科手術後におけるVTEリスクのための時空間的に検証された機械学習スコア

問題提起
静脈血栓塞栓症（VTE）は脳神経外科手術後に発生する生命を脅かす合併症であるが、現在のリスク層別化ツールには重大な限界がある。広く用いられているCapriniリスク評価モデルは、一般的な外科的因子（例：手術時間の延長、可動性の制限）に対して点数を割り当てるが、これらは本コホートにおいて遍在的な要素であるため、脳神経外科患者においてはリスクを過大評価し、「天井効果」を引き起こすことが多い。その結果、ほとんどの患者が高リスクに分類されてしまい、特異性が低下し、個別化された血栓予防を妨げている。さらに、既存のVTE予測用機械学習（ML）モデルの多くは、解釈性に欠ける、あるいは評価の負担を増大させる過剰な臨床変数が必要であったり、厳格な時間的・外部的検証が行われていなかったりするため、異なる施設や臨床環境への汎用性に限界がある。

方法論
本研究は、TRIPODおよびSTROBEガイドラインに従った、遡及的な予測モデルの開発および検証デザインを採用した。

• データソース： 内部データセットは、華山病院（復旦大学、2018年8月〜2021年12月）の成人脳神経外科患者3,644名で構成された。計算効率を最適化しつつ全ての転帰イベントを保持するため、1:4のケースコントロール・サンプリング戦略を用い（VTE症例731例、対照群2,913例）、訓練用のVTE有病率を人工的に約20%に高めた。このコホートを、訓練セット（n=2,627）と時間的テストセット（n=1,017）に時系列で分割した。独立した外部検証は、MIMIC-IVデータベース（n=10,268、VTE発生率4.34%）を用いて行われた。
• 特徴量選択： 候補となる予測因子は、組み込みバイアスを避けるためにCapriniスコアを明示的に除外した上で、日常的に利用可能な周術期変数に限定した。初期の特徴量削減により、25個の候補から15個のコア特徴量を抽出した。
• モデル開発： 入れ子状の5分割交差検証を用いて、4つのモデリングアーキテクチャ（ランダムフォレスト、Extreme Gradient Boosting [XGBoost]、LASSO正則化ロジスティック回帰、および従来のロジスティック回帰）を評価した。内部テストセットにおいて、XGBoostが最も高い識別能（AUC=0.790）を示した。
• 解釈性と簡略化： 最適なXGBoostモデルに対し、SHapley Additive exPlanations（SHAP）および置換重要度（permutation importance）を適用し、最も影響力のある予測因子を特定した。このプロセスにより、4つの主要変数、すなわちピークDダイマー、年齢、輸血、およびBMIを分離した。
• スコアの導出： これら4つのカテゴリー化された予測因子の相対的な平均SHAP値に比例して点数を割り当てることで、簡略化された臨床スコア（0–18点）を導出した。リスクカテゴリーは、低リスク（0–3点）、中等度リスク（4–7点）、高リスク（≥8点）と定義した。
• 検証： モデルは、内部の時間的テストコホートおよび外部のMIMIC-IVコホートの両方において、識別能（AUC）、較正（calibration）、臨床的有用性（決定曲線分析）、およびリスク再分類を評価する時空間検証を行った。

主な結果

• 予測性能： 簡略化された4変数スコアは、すべての検証設定においてCapriniモデルを大幅に上回った。
  • 内部テストコホート： 新しいスコアのAUCは0.745（95% CI, 0.707–0.782）であり、Capriniの0.662（P < 0.0001）と比較して有意に高かった。
  • 外部検証（MIMIC-IV）： 新しいスコアのAUCは0.726（95% CI, 0.703–0.749）であり、Capriniの0.642（P < 0.0001）と比較して有意に高かった。
  • 簡略化されたスコアは、連続的なフルロジスティック回帰モデルに対して統計的に非劣性であり、モデルを4つの変数に削減しても予測の完全性が維持されることが確認された。
• 臨床的有用性： 決定曲線分析（DCA）により、新しいスコアは、関連するすべての閾値確率において、Capriniツールよりも一貫して高い純臨床的利益（net clinical benefit）を提供することが示された。
• リスク再分類： サンキーダイアグラム解析により、新しいスコアは、Capriniモデルによって不正確に高リスクと過大評価されていた相当数の患者を、中等度または低リスクカテゴリーへと系統的かつ安全にダウングレードさせたことが明らかになった。これは、新しいモデルが系統的な過剰アラートを軽減できることを示唆している。
• 特徴量の重要度： ピークDダイマーが主要な予測因子として浮上し、次いで年齢、輸血、BMIの順となった。注目すべき点として、血液型はこのコホートにおいて有意な関連を示さず、一般的な文献における知見とは対照的な結果となった。

主な貢献

1. 簡潔なスコアの開発： 本研究は、複雑な機械学習の結果を、解釈可能で簡潔な4変数スコア（ピークDダイマー、年齢、輸血、BMI）へと変換することに成功し、ベッドサイドでの適用を可能にした。
2. 厳格な時空間検証： 多くの先行研究とは異なり、本モデルは時間的（訓練データとは異なる期間を使用）だけでなく、地理的および施設的（独立したMIMIC-IVデータベースを使用）にも検証されており、強固な移植性を示している。
3. 過大評価への対処： 本研究は、Capriniモデルが脳神経外科患者においてVTEリスクを過大評価しているという実証的な証拠を提示し、感度を損なうことなく特異性を向上させる検証済みの代替案を提供している。
4. 臨床実装ツール： 著者らは、このリスク層別化ツールの導入を促進するために、使いやすい臨床ノモグラムおよび動的なウェブベースの計算機を開発した。

意義と主張
本論文は、この時空間的に検証された4変数スコアが、従来の枠組みと比較して、脳神経外科におけるVTEリスク層別化のための優れた手法を提供すると主張している。日常的に利用可能な術後早期のパラメータのみを使用することで、本ツールは臨床医の評価負担を軽減しつつ、より精密で個別化された血栓予防戦略を可能にすることを目指している。著者らは、低リスク患者には機械的予防と早期離床を、中等度および高リスク患者にはカスタマイズされた薬物療法を行うという、リスク層別化された臨床経路を提案している。本研究は、機械学習が、日常的な臨床実務に必要な実現可能性を維持しながら、VTE予測の精度を大幅に向上させることができることを結論付けており、これにより、この高リスク集団に対するより安全な管理を支持している。