免疫チェックポイント阻害薬誘発性心筋炎の予測モデル開発のための探索的分析：全国請求データベースの使用

科学分野:

• 腫瘍学
• 免疫学
• データサイエンス

背景:

• 免疫チェックポイント阻害薬（ICI）は重要ながん治療薬であるが、重篤な免疫関連有害事象（irAEs）を引き起こす可能性がある。
• ICI誘発性心筋炎（ICIM）は、病因と危険因子が不明瞭な、まれであるが致命的となりうるirAEである。
• ICIMの早期予測は、患者管理と予後改善のために極めて重要である。

研究 の 目的:

• ICI療法開始後3か月以内のICIM発症を予測するための機械学習モデルを開発・評価する。
• 予測モデリングを用いてICIMリスクに関連する主要な臨床変数を特定する。

主な方法:

• 探索的研究のために大規模な健康保険データベースを利用した。
• Light Gradient Boosting Machine（LightGBM）およびランダムフォレストアルゴリズムを用いて予測モデルを開発した。
• データセットの不均衡に対処するためにアンダーサンプリングおよびバギング技術を採用し、SHapley Additive exPlanations（SHAP）を用いて特徴量の重要性を分析した。

主要な成果:

• ランダムフォレストモデルは、ICIM予測においてLightGBMモデルよりも優れた性能を発揮した。
• SHAP分析により、併用ICI使用がICIMの最も重要な予測因子であることが特定された。
• 開発されたモデルは、約0.63の受信者操作特性曲線下面積（AUROC）を達成し、限定的ではあるが実行可能な予測性能を示した。

結論:

• 機械学習を用いたデータ駆動型アプローチは、ICIMのリスク予測モデル開発に有望である。
• 併用ICI使用はICIM予測における重要な要因である。
• 予測精度と臨床的有用性を高めるためには、より大規模なデータセットと臨床検査データの統合を必要とする将来の研究が必要である。