機械学習を用いたERCP後膵炎の予測：リスク層別化と特徴量重要度分析

科学分野:

• 消化器病学
• 医療情報学
• 予測分析

背景:

• ERCP後膵炎（PEP）は、リスク因子の理解にもかかわらず、依然として予測不可能である。
• PEPの予測モデルの開発は、患者の安全のために不可欠である。

研究 の 目的:

• ERCP後膵炎（PEP）のリスクを予測するための機械学習（ML）モデルを開発・評価する。
• ERCPを受ける患者におけるPEPの主要な予測因子を特定する。

主な方法:

• 2022年から2024年の前向きERCPレジストリデータを用いて、CatBoostおよびeXtreme Gradient Boostingアルゴリズムをトレーニングした。
• 10倍交差検証を用いて、受信者操作特性曲線下面積（AUC）によりモデルのパフォーマンスを評価した。
• ERCPを受けるナイーブ乳頭患者を含めた。

主要な成果:

• 8つの特徴量（年齢、性別、乳頭形態、カニューレ挿入詳細、ビリルビン、総胆管径、結石除去）を用いたCatBoostモデルは、AUC 68.8%を達成した。
• モデルは良好な感度（70.4%）、特異度（67.2%）、および陰性的中率（92.0%）を示した。
• PEPの発生率は、リスク群（低：5.7%、中：21.0%、高：40.0%）によって有意に異なった。

結論:

• 機械学習は、PEPリスクの予測において大きな可能性を示している。
• 今後の研究では、多施設共同データ、マルチモーダルデータ統合、重症度層別化、およびリアルタイムアプリケーションの検討が必要である。