ROTEM測定から血小板濃度を機械学習で予測する研究

なぜ血小板の迅速チェックが重要か

手術中や集中治療で出血が続く場合、医師は血液を止めるために血小板輸血を行うかどうかを迅速に判断しなければならない。標準的な検査室の検査は血小板を正確に計測できるが、多くの場合1時間以上かかり、緊急の判断を遅らせる。ベッドサイド機器は凝固が形成される過程をリアルタイムで監視できるためはるかに速いが、血中の血小板数を直接示すわけではない。本研究は、これらの迅速なベッドサイド測定値を計算モデルが危険な低血小板レベルに関する信頼できる情報に変換できるかを検討している。

リアルタイムの凝固の簡単な概観

回転血栓弾性測定（ROTEM）などの現代のポイントオブケア検査は、血液サンプルが凝固を開始してから凝固が固くなり後に崩壊するまでの過程を観察する。これらの検査は、凝固の強さや安定性を反映する曲線や数値を提供するが、血小板の実際の数は示さない。以前の研究では一部のROTEM指標が血小板レベルと関連することが示されたが、単一のROTEM値を用いる単純な式では治療の指針となるほど血小板数を十分に予測できなかった。著者らは、複数のROTEM特徴を同時に考慮するより高度な計算手法が改善できるかを問いかけた。

病院データから計算モデルを構築する

研究チームは2014年から2023年の間に、4つの大学病院で外科または集中治療の患者から採取された2,333組の対になった血液検査データを収集した。各症例について、完全なROTEM測定セットと3時間以内に採取された検査室による血小板数が揃っていた。データの慎重なクリーニングと欠損値補完の後、29のROTEM関連変数を複数の機械学習手法に投入した。いくつかのモデルは正確な血小板濃度を予測しようとし、他のモデルはより単純な問い――血小板数が1000億/ L未満か、あるいは500億/ L未満か（外科や致命的出血で広く安全基準として用いられる閾値）――に取り組んだ。

モデルの血小板数推定の精度

正確な血小板数を推定する課題では、すべての機械学習モデルが単一のROTEMベース値に頼る従来の一次式よりも優れていた。最良の手法である複数手法を組み合わせたスタッキングアンサンブルでも、精度は中程度にとどまった。予測は真の血小板数と平均で約40億/ Lの差があり、著者らは個々の投与量決定には不十分な誤差だと判断している。予測と実測を比較した図やバイアスと分散の統計的検査は、モデルが大きな傾向を捉える一方で、個々の患者ではしばしば誤差が生じることを確認した。

危険な低値の検出はよりうまくいく

より単純で臨床的に重要な課題、すなわち明らかに低い血小板数の患者を検出する点では、モデルの性能ははるかに優れていた。血小板数が1000億/ L未満を検出する場合、ランダムフォレストやアンサンブルモデルは受信者操作特性曲線下面積（AUC）といった標準的な診断指標で高い値を示した。特に低血小板を「除外」する能力が高く、「安全」と判定された結果が実際に閾値を上回っている確率が非常に高かった。500億/ L未満の検出では性能がさらに向上し、ここでもアンサンブルモデルが際立った。これらの結果はさまざまな評価法で一貫しており、単一のROTEM由来値に頼るより明らかに優れていた。

ベッドサイドでの意義

著者らは、現時点の機械学習モデルは個々の患者に対する正確な数値を推定するにはばらつきが大きいため、検査室の血小板数に取って代わるほど正確ではないと結論付けている。しかし同じモデルは、血小板が重要な安全閾値を下回っているかどうかというイエス・ノーの質問には非常に有用である。緊急の出血場面では、このような迅速なベッドサイドの指針が検査結果を待つ間に医師が安全に血小板輸血を遅らせたり回避したりする助けとなり、治療の遅延や不必要な血液製剤への曝露を減らす可能性がある。

引用: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

キーワード: 血小板数, 血小板減少症, ROTEM, 機械学習, 血小板輸血