ALADDIN：代謝機能障害関連脂肪性肝疾患におけるF2以上の線維化予測を強化する機械学習アプローチ

概要

肝生検で特徴付けられた2,630例のMASLDで、VCTE併用のALADDINアンサンブルはF2以上線維化の外部検証AUC 0.791を達成し、VCTE単独や既存モデルを上回りました。検査値のみ版（AUC 0.706）も非VCTE法で最良でした。Web電卓により生検不要のレスメチロム適格例選別を支援します。

主要発見

• 外部検証でALADDIN-F2-VCTEのAUCは0.791（95%CI 0.764–0.819）で、VCTE単独（0.745）、FAST（0.710）、Agile-3（0.740）を上回った。
• VCTEなしのALADDIN-F2-LabはAUC 0.706で、FIB-4などの検査値ベーススコアより優越。
• 意思決定曲線解析とキャリブレーションでもALADDINモデルが優れ、臨床有用性を支持。
• 公開Web電卓により即時の臨床導入と再現性が確保される。

臨床的意義

ALADDIN-F2-VCTEは治療適応の絞り込みと不要な肝生検の削減に寄与し、VCTE未整備の施設ではALADDIN-F2-Labが現実的な代替となります。

限界

• 後ろ向きデータであり、紹介患者に基づくスペクトラムバイアスの可能性
• 生検基準はサンプリングばらつきの影響を受ける；施設外一般化の検証が必要

今後の方向性

ALADDIN主導の診療により生検率や治療成績が改善するかを検証する前向き介入研究、地域校正や集団間の公平性評価が望まれます。