Dynamic Trajectories of Sepsis-Induced Coagulopathy and Machine Learning-Based Early Prediction of High-Risk Phenotypes: A Multicenter Cohort Study

技術要約：敗血症誘発性凝固異常症の動的な軌跡と機械学習に基づく早期予測

問題提起

敗血症誘発性凝固異常症（SIC）は、炎症、血管内皮損傷、および線溶系の障害を伴う動的なプロセスであるが、現在は静的な単一時点の測定値（SICスコア）を用いて評価されている。この手法は、重症疾患における凝固機能および臓器機能不全の急速な進展を捉えることができない。ベースラインのSICスコアが類似している患者であっても、急速な改善、持続的な異常、あるいは緩やかな回復といった、異なる臨床経過を辿ることがあるが、これらは横断的なデータのみでは区別できない。本研究は、再現性のある縦断的なSICスコアの軌跡を特定し、多様な重症患者集団におけるその予後学的関連性を決定する必要性に取り組んでいる。

方法論

本研究は、以下の4つの異なる集中治療データベースを用いた多施設共同レトロスペクティブ・コホート研究である：

• 開発コホート： MIMIC-IV (6,416名)
• 検証コホート： MIMIC-III CareVue (1,157名)、eICU-CRD (2,077名)、NWICU (641名)

データ処理およびモデリング：

1. コホート選択： 敗血症3の基準を満たし、SICと診断された（敗血症診断後24時間以内にSICスコアが4以上）成人（18歳以上）で、ICU滞在が24時間を超える患者を対象とした。患者は、ICU入室後最初の7日間に、算出可能なSICスコアを少なくとも3回以上必要とした。
2. 軌跡モデリング： 入室後最初の7日間の連続的なSICスコア（6時間間隔で算出）に対し、グループベースの軌跡モデリング（GBTM）を適用した。ベイズ情報量基準（BIC）、エントロピー、平均事後確率（AvePP）、および正解分類確率（OCC）を用いて、1〜6個の潜在クラスを持つ二次モデルを評価した。
3. 統計解析：
   • 生存解析： 多変量Cox比例ハザードモデル（デモグラフィックス、併存疾患、バイタルサイン、および検査値を調整）を用いて、28日全死亡との関連を評価した。
   • バイアス緩和： 解析には、欠損値に対する多重代入法、共変量のバランスをとるための較正済み逆確率重み付け（IPTW）、および不死時間バイアスに対処するための7日目ランドマーク解析（7日目に生存している患者に限定した解析）を含めた。
   • サブグループ解析： 層別化（例：年齢、SOFAスコア、併存疾患）における相互作用項をテストし、偽発見率（FDR）補正を行った。
4. 機械学習（ML）予測： 最初の24時間以内に利用可能なベースライン変数を用いて、「持続的に高い（Persistently High）」軌跡の表現型を予測する入れ子構造のMLパイプラインを開発した。
   • 特徴量選択： 10分割入れ子状交差検証フレームワーク内で、Boruta法およびLASSO法を用いた。
   • アルゴリズム： Elastic net、Random Forest、XGBoost、SVM、およびk-近傍法を比較した。
   • 検証： 最終的なモデル（XGBoost）は、時間的検証（MIMIC-IV 2020–2022）および外部検証（MIMIC-III, eICU, NWICU）を行った。性能はAUROC、AUPRC、較正曲線、決定曲線分析、およびSHAP（Shapley Additive Explanations）を通じて評価された。

主な結果

1. 3つの軌跡の特定：
GBTMにより、4つのデータベースすべてにおいて、3つの明確で再現性のあるSICスコアの軌跡が特定された：

• 低値・急速減少型（Low-Rapid Decline）(19.25%)： 中央値4.0のSICから始まり、急速に減少し、安定した。
• 持続的に高い型（Persistently High）(32.00%)： 中央値6.0のSICから始まり、最小限の改善しか見られず、高値のまま推移した。
• 中等度減少型（Moderate-Decline）(48.75%)： 中央値5.0のSICから始まり、緩やかに減少した。
  3クラスモデルは、高い分類品質を示した（エントロピー = 0.947、AvePP > 0.97）。

2. 予後的関連：

• 死亡リスク： 「持続的に高い」軌跡は、すべてのコホートにおいて、一貫して28日全死亡リスクの高さと関連していた。完全に調整されたモデルにおいて、クラス1に対するクラス2のハザード比（HR）は、2.45（eICU）から3.93（NWICU）の範囲であった。
• 堅牢性： これらの関連性は、IPTWによる較正後、および7日目ランドマーク解析（例：MIMIC-IVにおけるクラス2のHR 3.09）においても有意であった。
• 増分価値： 軌跡クラスをベースラインのSOFAスコアに加えることで、28日死亡の識別能がわずかに向上した（例：MIMIC-IVでのΔAUC = 0.028）。一方で、単一のベースラインSICスコアを加えた場合には、改善はほとんど見られなかった。

3. 機械学習の性能：

• 予測因子： XGBoostモデルは10個のベースライン変数を特定し、ベースラインのSOFAスコアとSICの血小板成分が最も影響力のある予測因子であった。
• 識別能： モデルは、時間的および外部検証コホートにおいて0.830から0.862のAUROCを達成した。
• 較正と有用性： モデルは良好な較正を示し（Brierスコア 0.141–0.154）、臨床的に関連する閾値において決定曲線分析で正の純利益を示した。SHAP解析により、コホート間で一貫した特徴量の重要度ランキングが確認された。

意義および主張

本論文は、ICU入室後最初の1週間の縦断的なSIC測定が、静的な評価では捉えられない再現性のある予後的サブフェノタイプを明らかにするものであると主張している。具体的には：

• 予後的サブフェノタイプ： 「持続的に高い」軌跡は、持続的な過剰死亡リスクを持つ明確な患者群を特定する一方、「低値・急速減少型」は良好な経過を示す。
• 時間的次元： 軌跡の情報は、標準的な重症度評価（SOFA）に対して、控えめながらも意味のある時間的次元を加え、凝固機能不全が解消される患者と、持続的な異常を示す患者を区別する。
• 早期予測： 本研究は、機械学習を用いることで、「持続的に高い」表現型が、日常的に得られる臨床データを用いて（24時間以内に）高い汎用性を持って予測可能であることを示している。

限界と注意点：
著者らは、これらは観察研究に基づく知見であり、因果関係を確立したり、特定の治療プロトコルを定義したりするものではないことを明記している。本研究は、軌跡に基づいた介入がアウトカムを改善することを主張しているのではなく、むしろこれらの軌跡を将来のプロスペクティブな検証の対象として提案しているものである。レトロスペクティブな設計であるため、残留交絡の可能性があり、また複数のSICスコアを必要とする選択基準が、ICU滞在が長い患者への選択バイアスを生じさせている可能性がある。これらの知見は、臨床実装の前にプロスペクティブな検証を必要とする。