急性・慢性肝不全の予後予測モデルの開発と検証

科学分野:

• 肝臓病学
• 医療における機械学習
• 予後モデリング

背景:

• 急性・慢性肝不全（ACLF）、特にB型肝炎ウイルス（HBV）が流行している地域における予後評価は困難である。
• 従来のモデルは、HBV-ACLF患者の短期転帰を予測する上での精度が限定的であった。

研究 の 目的:

• HBV-ACLFにおける短期転帰の改善された個別化予測のための新しい機械学習モデルを開発および検証すること。
• 予後予測モデルに肝臓の予備機能指標を組み込むこと。

主な方法:

• トレーニング用に496人のHBV-ACLF患者、外部検証用に52人のデータを後ろ向きに収集した。
• 12の機械学習アルゴリズムを体系的に評価し、最適なモデルをLASSO-RFアプローチを使用して選択した。
• SHAP値を使用して主要な予測変数を特定し、MELDおよびCTPスコアと比較した。

主要な成果:

• 最終的なLASSO-RFモデルは、トレーニングコホートで0.99、検証コホートで0.98のAUCを達成し、90日死亡率の予測精度が高かった。
• このモデルは、MELDやCTPなどの確立されたスコアリングシステムを大幅に上回った。
• 臨床応用のために対話型のWeb計算ツールが開発され、リアルタイムのリスクスコアを提供した。

結論:

• 肝臓の予備機能指標は、HBV-ACLFの転帰を予後予測する上で重要である。
• 開発された機械学習モデルとオンラインツールは、HBV-ACLF患者に正確なリスク層別化を提供する。
• このツールは、タイムリーで個別化された臨床的意思決定を促進する。