ICU入室時の機械学習によるカルバペネマーゼ産生腸内細菌の保菌予測（早期判定）

病院内の「見えない」病原体が重要な理由

病院で最も重篤な患者の多くは集中治療室（ICU）で治療を受けます。そこでは強力な抗生物質や侵襲的な医療機器が日常的に用いられます。このような環境では、腸内細菌の一群であるカルバペネマーゼ産生Enterobacterales（CPE）がひそかに定着することがあります。保菌者は必ずしも自覚症状を示しませんが、他者へ拡散したり、後に治療が難しい致命的な感染を引き起こしたりする可能性があります。本研究は実用的な問いを投げかけます：ICU入室時点で、誰が既にCPEを保有している可能性が高いかを予測できれば、医療従事者は他の患者をより効果的に守れるのか？

ICUに潜む静かな脅威

CPEは、他の薬が効かないときに用いられる最も強力な抗生物質の一つであるカルバペネムに耐性を獲得した腸内細菌です。韓国では近年CPE感染が増加しており、世界的な傾向と呼応しています。ICU患者は在院日数が長く、処置を受ける機会や抗生物質の投与を受ける頻度が高いため、特にリスクが高くなります。病院では直腸スワブ検査でCPEを検出できますが、結果が出るまでに時間がかかり、すべての新規ICU患者をラボ報告が出るまで隔離するのは現実的ではありません。著者らは、入室時点で既に電子カルテに記録されている情報を用いて、どの患者がCPE保菌の可能性が高いかを推定するツールを構築することを目指しました。

病院記録から手がかりを掘り出す

研究者らは2022〜2023年の間に大規模な韓国の病院で行われた成人ICU入室4,915件を解析しました。これらの患者はすべてICU到着後48時間以内に直腸スワブが採取されており、約9.2％、453名がCPEで保菌されていると判定されました。電子カルテから入室時に利用可能な42項目の情報を抽出し、年齢、最近の入院や長期療養施設の滞在、過去の手術、基礎疾患、以前の抗生物質使用、管やカテーテルの有無などを含めました。これらの変数を用いて、CPE保菌者と非保菌者を最も良く識別するために10種類の機械学習手法を比較しました。

除外に強いシンプルなモデル

最も複雑なアルゴリズムを選ぶのではなく、現実運用でのバランスを考えたところ、比較的単純な手法であるロジスティック回帰が最良の折衷点を示しました。設定したリスクカットオフでは、モデルは保菌者の約73％を正しく識別し、予測された非保菌者の96％を真の陰性と判定しました。実務的には、ツールが「CPEを保菌していない可能性が高い」と示した場合、それはほとんどの場合正しいということです。これは限られた隔離室を誰に優先して使うかを決める感染対策チームにとって重要です。より高度なモデルは特異度が高い一方で多くの真の保菌者を見落としており、この目的には安全性が劣ることが分かりました。

誰が最も危険か？

臨床医が理解しやすいように、著者らは12の主要予測因子に絞って説明しました。胆汁ドレーン（肝臓から胆汁を排出する管）の装着がCPE保菌のオッズと最も強く関連していました。他に強い指標としては、最近の長期療養施設入所、経鼻胃管による栄養管理や中心静脈カテーテルの存在、最近のステロイド治療、複数薬の抗生物質既往、ICU入室前の入院日数の長さなどが挙げられます。バンコマイシン耐性腸球菌（VRE）など、他の耐性菌の保菌・感染歴もオッズを上げました。研究チームはSHAP（Shapley Additive Explanations）を用いて、各因子が個々の患者のリスクをどのように上げ下げするかを示し、個別予測が“ブラックボックス”にならないようにしました。

数値から臨床判断へ

研究結果をデータセット外でも使えるように、チームは無料のウェブベース計算機（www.cpepredictor.com）を構築しました。臨床医はICU入室時に14の簡単な質問に回答するだけで、例えば直近に特定の抗生物質を服用していたか、特定の管が装着されているかなど、ツールが即座にCPE保菌確率を推定します。著者らは、モデルは低リスク患者の“除外”に使うのが最適であり、陽性結果があれば早期隔離や迅速分子検査を促すべきで、標準的な培養検査に取って代わるものではないと強調しています。本研究は単一病院で行われたため他院での検証が必要ですが、解釈可能で慎重に設計された機械学習ツールが、限られた感染対策資源を必要な場所に集中させ、既に逼迫したICUを圧迫することなく高度耐性菌の拡散を減らす助けになり得ることを示しています。

引用: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

キーワード: 抗生物質耐性, 集中治療室, 感染対策, 医学における機械学習, 院内感染