Development of a predictive model for sepsis‑induced immunosuppression using neural networks

技術要約：ニューラルネットワークを用いた敗血症誘発性免疫抑制の予測モデルの開発

問題提起
敗血症は、感染に対する宿主の反応の調節不全を特徴とし、過剰免疫状態と低免疫状態の両面性を伴う。低免疫状態が優位になると、敗血症誘発性免疫抑制へとつながり、二次感染、多臓器不全、および死亡率の上昇を引き起こす。臨床現場では免疫恒常性の重要性は認識されているものの、免疫抑制の発症を正確に予測することは依然として探索的な段階にある。単球HLA-DR（mHLA-DR）などの現在のマーカーは、大規模なデータベース解析には複雑すぎるか、あるいは高価である場合が多い。対照的に、リンパ球数はより容易に入手可能であるが、既存の文献においてモニタリングのための明確な閾値が定義されていない。本研究は、精密な治療および動的な予後評価を促進するために、敗血症患者における免疫抑制の早期かつ正確な予測の必要性に対処することを目的としている。

方法論
本研究では、MIMIC-IVデータベースのデータを用いた回顧的コホート設計を用いた。

• データソースおよびコホート： 解析には、Sepsis-3.0の診断で初めてICUに入室した成人患者（18歳以上）6,954名が含まれた。
• アウトカムの定義： 免疫抑制は、リンパ球数が1.0 × 10⁹/L未満であることと定義された。
• 予測変数： 年齢、性別、民族などのデモグラフィックデータ、臨床指標（BMI、SOFAスコア、チャールソン併存疾患指数、最大乳酸値）、および治療因子（緊急入院、血管活性薬の使用および使用期間、人工呼吸器装着および装着期間、コルチコイド使用、真菌感染、悪性腫瘍歴）を含む14個の変数を収集した。
• データ処理： 欠損データは多重代入法を用いて処理された（特に欠損率22.16%であった乳酸データ）。BMI変数は欠損率が51.13%であったため除外された。データはトレーニングセット（80%）とバリデーションセット（20%）に分割された。
• モデリング手法： 3つの機械学習アルゴリズムを構築し、比較した：
  1. 多層パーセプトロン (MLP)： ニューラルネットワークによるアプローチ。
  2. ロジスティック回帰 (LR)： 従来の統計的ベースライン。
  3. XGBoost： 勾配ブースティング決定木モデル。
• 評価指標： モデルの性能は、AUC、精度（Precision）、再現率（Recall）、F1スコア、キャリブレーション曲線（Hosmer-Lemeshowテスト）、および決定曲線分析（DCA）を用いて評価された。

主な結果

• コホート特性： コホートにおける免疫抑制の発生率は28.5%（6,954名中1,983名）であった。
• 単変量解析： 免疫抑制と、年齢、性別、緊急入院、SOFAスコア、チャールソン併病理指数、真菌感染、血管活性薬の使用、血管活性薬の使用期間、人工呼吸器装着、および乳酸値との間に有意な関連が見出された。
• 多変量解析： 最終的なロジスティック回帰モデルは、8つの独立した予測因子を特定した：年齢、緊急入院、チャールソン併存疾患指数、真菌感染、血管活性薬の使用、総血管活性薬使用期間、人工呼吸器装着、および乳酸値である。特筆すべき点として、性別、SOFAスコア、悪性腫瘍、および人工呼吸器装着期間は、多変量ロジスティックモデルにおいては統計的に有意ではなかったが、機械学習の文脈においては依然として関連性を保持していた。
• モデル性能：
  • MLPモデル： AUC 0.82、精度 0.7208、再現率 0.8441、F1スコア 0.7776を示し、優れた性能を実証した。
  • XGBoostモデル： AUC 0.602、再現率 0.113、F1スコア 0.177と、低い性能を示した。
  • ロジスティック回帰： AUC 0.686の、中程度の性能を示した。
• 特徴量の重要度： MLPモデルにおいて、免疫抑制を予測するための最も影響力のある要因は、順に、緊急入院、SOFAスコア、年齢、最大乳酸値、人工呼吸器装着期間、総血管活性薬使用期間、チャールソン併存疾患指数、性別、悪性腫瘍、人種、コルチコイド使用、および真菌感染であった。

意義および主張
著者らは、開発されたMLPモデルが、敗血症誘発性免疫抑制リスクの早期特定のための信頼できるツールとして機能すると主張している。本研究は、多様な臨床変数を統合するモデルの能力により、以下のことが可能になると述べている：

1. 早期介入： 高リスク患者を特定することで、免疫増強剤（例：チモシンペプチド、顆粒球コロニー刺激因子）の使用など、タイムリーな治療調整を可能にする。
2. 精密医療： 免疫抑制剤の過剰使用の回避や、ホルモン投与中止のタイミングの最適化など、個別化された治療計画を促進する。
3. リソースの最適化： 患者の予後評価を改善し、集中治療リソースのより適切な配分を実現する。

本論文は、モデルは臨床的価値を示す可能性があるものの、広範な臨床実装に向けた精度と普遍性を向上させるためには、マルチセンターおよび大規模サンプルデータセットでのさらなる検証が必要であると結論付けている。著者らは、選択バイアスやデータの欠落によるBMIのような変数の除外といった、回顧的研究に固有の限界を認めており、因果関係についてはさらなる検証が必要であるとしている。