胸腔鏡下切除後の肺癌患者における低栄養リスク予測のための機械学習モデル：多施設共同研究

科学分野:

• 腫瘍学;医療情報学;機械学習

背景:

• 胸腔鏡下切除を受ける肺癌患者にとって、早期の低栄養検出は非常に重要である。;既存の予測モデルは臨床的解釈性に欠け、採用を妨げている。;本研究は、低栄養リスク予測のための説明可能な機械学習（ML）モデルを開発することを目的とした。

研究 の 目的:

• 肺癌患者における低栄養リスクを予測するための説明可能なMLモデルを確立する。;複数の臨床現場にわたるモデル性能を評価する。;臨床的意思決定支援のためのウェブベースアプリケーションを開発する。

主な方法:

• 1,134人の肺癌患者（トレーニング/テストセット）の後ろ向き解析と、前向き外部検証（273人の患者）を実施した。;XGBoost、Random Forest、Logistic Regressionを含む8つのMLモデルを構築し、比較した。;モデルの解釈性のためにSHapley Additive exPlanations（SHAP）を利用し、性能評価のためにDecision Curve Analysis（DCA）とROC曲線を使用した。

主要な成果:

• 術後低栄養の発生率は、1,407人の患者で11.3%であった。;アルブミン、栄養リスクスクリーニング2002スコア、年齢、術中出血量、総ドレナージ量、BADLスコア、血清カリウムの7つの独立した危険因子を特定した。;XGBoostモデルは、AUC 0.845（テスト）および0.886（外部検証）で優れた性能を示した。

結論:

• 説明可能なXGBoostベースのMLモデルは、肺癌患者における胸腔鏡下切除後の低栄養リスクを効果的に予測する。;このモデルは、高い予測精度と臨床的解釈性を統合し、リスク層別化と個別化栄養介入を支援する。;公に入手可能なウェブベースの計算ツールが臨床応用を促進し、患者の転帰を改善する。