外科および重症患者における低血圧エンドタイプの同定と検証：深層学習モデル

概要

オートエンコーダとガウス混合モデルによる教師なし学習で、外科・ICU集団に共通する4つの低血圧エンドタイプ（血管拡張、低容量血症、心筋抑制、徐脈）を同定しました。各時点でのエンドタイプ確率を出力でき、単なる血圧値ではなく病態に基づく原因治療を後押しします。

主要発見

• 低血圧の4つの生理学的エンドタイプ（血管拡張、低容量血症、心筋抑制、徐脈）を同定。
• 2つの大規模外部コホート（外科1000例、ICU1000例）で同一エンドタイプを再現し検証。
• 平均動脈圧<65mmHgのエピソード中の心拍出量指標、心拍数、全身血管抵抗指標、一回拍出変動を特徴量に使用。
• 各低血圧データ点に対してエンドタイプ確率を出力し、原因治療の判断を支援。

臨床的意義

エンドタイプ確率により、血管拡張には昇圧薬、低容量血症には補液、心筋抑制には強心薬、徐脈には陽性変時・ペーシング等の標的治療が選択しやすくなります。生体情報モニタへの統合で原因治療の標準化が期待されます。

限界

• エンドタイプ利用による臨床転帰改善を示す介入試験が未実施
• 血行動態指標の施設・機器間ばらつきの影響があり得る

今後の方向性

エンドタイプ分類をリアルタイム意思決定支援に組み込む前向き試験で転帰改善を検証し、各種モニタリング機器での一般化可能性と臨床現場向けUIの開発を進める。