持続性敗血症関連急性腎障害を予測する説明可能な機械学習モデル：開発と検証研究

概要

46,097例の多コホートデータから、12変数のGBMモデルが持続性SA-AKIをAUC 0.87～0.98で予測し、前向きコホートでも尿中CCL14を上回った。SHAPにより解釈可能で、ベッドサイドで用いるWebツールとして実装されている。

主要発見

• 最終GBMモデル（12変数）は内部AUC 0.870、外部AUC 0.891（MIMIC-III）、0.932（eICU）、0.983（単施設後ろ向き）を達成した。
• 前向きコホートでGBM（AUC 0.852）は尿中CCL14（AUC 0.821）を上回った。
• SHAPによりAKI重症度、ΔCr、尿量、利尿薬量が主要寄与因子と示され、Webツールが公開された。

臨床的意義

高リスクと判定された患者での腎臓内科早期介入、腎毒性薬の慎重使用、輸液・利尿薬管理の最適化など、バイオマーカー依存を超えた実践を支援する。

限界

• 観察研究データのため、交絡残存や施設特異的バイアスの可能性がある。
• 未参加医療圏や低リソース環境への一般化には追加検証が必要。

今後の方向性

モデル介入が持続性SA-AKIや透析導入を減少させるかを検証する前向き介入研究、低リソースICUでの適応・検証が望まれる。