全血球計算および単球分布幅に基づく機械学習による敗血症検出：多施設開発と外部検証研究

概要

5施設6コホート（総数5344例）を用い、CBC指標とMDWを組み合わせた敗血症早期検出MLモデルを構築。内部AUC 0.91–0.98、外部AUC 0.75–0.95を示し、単独バイオマーカーや既存MLを上回りました。予測保留を可能にする「制御可能AI」と説明可能AIにより、ラベル・共変量・欠測の分布シフト下でも堅牢性が向上し、解釈可能な診断ルールが導出されました。

主要発見

• 6コホート（n=5344）でCBCとMDWを用いたMLモデルを開発し、内部AUC 0.91–0.98、外部AUC 0.75–0.95を達成。
• 基準バイオマーカーおよび先行ML手法を上回る検出性能を示した。
• 予測保留を可能にする制御可能AIと説明可能AIにより、分布シフト下で性能と解釈性が向上し、診断ルールが導出された。

臨床的意義

検査部門の情報システムに予測保留機能付き・説明可能なAIを実装することで、臨床症状出現前から高リスク患者を早期警告し、不確実時は保留して偽陽性を抑制できます。

限界

• 後ろ向き観察データであり、前向き介入や無作為化導入の評価は未実施。
• イタリア以外への一般化は未検証で、スペクトラムバイアスや検証バイアスの可能性がある。

今後の方向性

死亡率・抗菌薬投与までの時間・アラーム負荷を評価する多国前向き（ステップドウェッジ等）試験、装置間較正、EHRトリアージへの統合が必要。