急性心不全診断におけるナトリウム利尿ペプチド活用最適化のための機械学習

概要

14研究（BNP 8,493例、MR-proANP 3,899例）で、ガイドライン閾値の性能はサブグループでばらついた。機械学習によりペプチド値と臨床情報を統合するCoDE-HFは優れた識別能（AUC約0.91～0.93）を示し、NPV約98.5%の低確率群とPPV約75～79%の高確率群を特定し、サブグループ横断で良好なキャリブレーションを維持した。

主要発見

• ガイドライン閾値（BNP 100 pg/mL、MR-proANP 120 pmol/L）はNPV 93.6%/95.6%、PPV 68.8%/64.8%で、サブグループ間に有意な異質性があった。
• CoDE-HFはAUC 0.914（BNP）、0.929（MR-proANP）を示し、キャリブレーションも良好（Brier 0.110/0.094）。
• CoDE-HFは低確率群（NPV 98.5%）を30～48%、高確率群（PPV 75～79%）を28～30%同定し、サブグループ横断で一貫していた。

臨床的意義

CoDE-HFは臨床状況とナトリウム利尿ペプチドを統合して判定を支援し、高いNPV/PPVで低・高確率群を同定できる。導入研究により、業務フローへの統合、公平性、転帰への影響を評価する必要がある。

限界

• 前向き実装試験での臨床的影響と業務フロー統合は未検証
• モデル性能は臨床変数の取得と品質に依存し、電子カルテ統合が必要となる可能性

今後の方向性

多施設前向き実装研究により、臨床的有用性、公平性、転帰改善効果を検証。既往心不全患者や多様な現場での評価、規制・電子カルテ統合も検討する。