Multiscore Integration of GRACE, ACEF, and TIMI via Machine Learning for Risk Prediction of 6-Month Mortality in Acute Myocardial Infarction

技術要約：機械学習を用いたGRACE、ACEF、およびTIMIのマルチスコア統合による急性心筋梗塞における6か月死亡率の予測

問題提起
急性心筋梗塞（AMI）における現代のリスク層別化は、GRACE（Global Registry of Acute Coronary Events）、TIMI（Thromolysis in Myocardial Infarction）、およびACEF（Age-Creatinine-Ejection Fraction）といった確立されたスコアに大きく依存している。これらのツールは進化を遂げてきたものの、現在の最適化の取り組みは、変数セットそのものを再評価することよりも、既存の変数の重み付けを変更することに主眼が置かれている。さらに、これらのスコアにおける予測因子は、歴史的な臨床背景に基づいていることが多く、現代の患者プロファイルや治療パラダイムを完全には反映していない可能性がある。機械学習（ML）はリスク予測を強化する有望な手法であることを示しているが、複数の古典的スコアから変数を統合し、経皮的冠動脈インターベンション（PCI）後の6か月死亡率を予測するために最も堅牢な特徴量セットを選択するための最適な戦略は、依然として不明である。

方法論
本研究は、蘭州大学第一附属病院の緊急PCIを受けたAMI患者883名（派生コホート）と、青海省人民病院の185名（外部検証コホート）のデータを用いた単一施設後向きコホート研究である。本研究では、GRACE、ACEF、およびTIMIスコアから導出された変数を統合した。

手法には、厳格な2段階の特徴量選択およびモデリング・パイプラインを用いた：

1. データ前処理： 欠損値には多重代入法（MICE）を用いて対処した。クラス不均衡についても考慮したが、主な焦点は合成オーバーサンプリング（ADASYN）を用いないLASSOおよびBorutaを用いた場合の方が特定の指標において同等または優れた性能を示したため、合成サンプリングではなく特徴量選択に重点を置いた。
2. 特徴量選択： 以下の2段階の戦略を実施した：
   • 第1段階（LASSO）： L1正則化を用いたLASSO（Least Absolute Shrinkage and Selection Operator）回帰を適用し、非有意な係数をゼロに収縮させることで、初期の20個の変数を10個に削減した。
   • 第2段階（Boruta）： LASSOによって選択された特徴量に対してBorutaアルゴリズム（具体的にはBorutaShap）を適用し、二次スクリーニングを行うことで、最も情報量の多い特徴量を特定した。
3. アルゴリズム比較： グリッドサーチを用いた交差検証（GSCV）を用いて、Random Forest (RF)、LightGBM、AdaBoost、XGBoost、Logistic Regression (LR)、K-Nearest Neighbors (KNN)、およびDeep Neural Networks (DNN) の7つのMLアルゴリズムを体系的に比較した。
4. 評価指標： モデルの性能は、受信者動作特性曲線下面積（AUROC）および精度・再現率曲線下面積（AUPRC）に加え、キャリブレーション曲線および決定曲線分析（DCA）を用いて評価した。解釈性は、SHAP（Shapley Additive Explanations）およびLIME（Local Interpretable Model-Agnostic Explanations）を用いて高めた。

主な貢献

• 2段階の特徴量選択： 本研究は、LASSOとBorutaを組み合わせた堅牢な特徴量選択フレームワークを導入し、単一の手法による選択を超えて、簡潔な予測因子セットを特定した。
• マルチスコアの統合： 単一のスコアリングシステムに依存するのではなく、3つの異なる歴史的スコアから変数を統合することで、より広範な予後因子を捉えている。
• アルゴリズムのベンチマーク： 7つの多様なMLアルゴリズムを体系的に比較し、この特定の臨床タスクにおいてアンサンブル学習（特にRandom Forest）が優れていることを示した。
• 簡潔な臨床モデル： 最終的なモデルはわずか3つの変数に集約され、高い予測精度と臨床的な簡便性のバランスを実現した。

結果

• 最終的な予測因子： 最適なモデルは、Killip class、左室駆出率（LVEF）、および**クレアチニン（CREA）**の3つの予測因子を保持した。
• 内部検証： LASSO、Boruta、およびGSCVによって最適化されたRandom Forestモデルは、内部検証セットにおいてAUROC 0.97（95% CI: 0.93–1.00）およびAUPRC 0.68（95% CI: 0.32–0.93）を達成した。
• 外部検証： 外部コホートにおいても、モデルはAUROC 0.89（95% CI: 0.74–0.96）およびAUPRC 0.48（95% CI: 0.24–0.72）という堅牢な性能を維持した。著者らは、外部コホートにおけるAUPRCのわずかな低下は、ベースライン特性の不均一性、特に2つの施設間におけるKillip classの分布の違いに起因する可能性があると述べている。
• 臨床的有用性： キャリブレーション分析は、低〜中リスク範囲において予測リスクと観察されたリスクの間に良好な一致を示した。決定曲線分析は、「全員治療」または「誰も治療しない」戦略と比較して、幅広い閾値確率において一貫した純臨床的利益を確認した。
• ツールの開発： 選択された3つの変数に基づくリアルタイムのリスク推定を容易にするため、Streamlitフレームワークを用いたウェブベースのインタラクティブなツールを開発した。

意義と主張
本論文は、逐次的な特徴量選択とアンサンブル学習を通じて最適化されたMLベースの融合モデルが、AMI患者のPCI後の6か月死亡率に対して優れた識別能を提供し、従来の臨床スコアを大幅に上回ることを主張している。本研究は、モデルの性能が単に変数の数に依存するのではなく、特徴量選択、データの特性、およびアルゴリズムの選択による相乗効果に依存することを強調している。

著者らは、得られた3変数モデル（Killip、LVEF、CREA）が、簡潔さと予測力の間の重要なバランスを実現しており、日常的な臨床リスク層別化への適用を支持するものであると断言している。しかし、著者らは、派生データの単一施設性、施設間の不均一性の可能性、および前向きな多施設検証の欠如といった限界を認め、一般化については慎重な姿勢を維持している。彼らは、本モデルが臨床的に適用可能なフレームワークを提供する一方で、より大規模で多様なコホートでのさらなる検証が必要であると結論付けている。