AKI早期予測のための新規グラフベース中央集約型および分散型アプローチ

概要

敗血症データ由来のICU時系列からAKI発症6–12時間前を予測する中央集約型および分散型グラフ注意モデルを提案し、AUC最大0.95、AUPRC 0.91を達成。分散型ゴシップ学習は高性能を維持しつつプライバシーを担保し、外部検証と感度解析により汎化性と堅牢性を示した。

主要発見

• 中央集約型GATはAKIを6–12時間前に精度94.1%、感度94%、AUC 0.95、AUPRC 0.91で予測した。
• 分散型GL-AA-GATは5ノードでのプライバシー保護学習により精度92.8%、感度93%、AUC 0.938、AUPRC 0.90を達成した。
• 予測地平や相関閾値に対する性能は堅牢で、非敗血症ICUでの外部検証でも汎化性を示した。
• 両モデルは既存ベースラインを上回った。

臨床的意義

前向き検証が得られれば、データ集中化を要せずに腎臓内科コンサルトの前倒し、循環管理や腎毒性薬の適正化、資源配分の高度化が可能となる。

限界

• 公的データに基づく後ろ向きモデルであり、データシフトや選択バイアスの可能性
• 実運用での前向き検証と臨床インパクト評価が未実施

今後の方向性

プライバシー保護型分散環境下での多施設サイレントトライアルやランダム化実装研究により、AKI発生、敗血症転帰、腎毒性薬適正化への効果を検証する。