高齢外科救急患者の術後敗血症予測のための機械学習モデル：多施設前向き研究

患者と家族にとってなぜ重要か

敗血症は感染に対する生命を脅かす反応で、特に高齢者の緊急手術後に起こり得ます。医師は敗血症のリスクを早期に見つければ命を救えることを知っていますが、緊急手術前の慌ただしい状況で誰が最も脆弱かを判断するのは難しいです。本研究は、機械学習と呼ばれる人工知能の一分野が、日常的に病院で収集されるデータを精査して術後に敗血症を発症しやすい高齢患者を特定できるかを探り、臨床チームに早めの対応時間を与えられるかを検討します。

敗血症と緊急手術後の危険性

敗血症は世界的に主要な死因の一つであり、毎年何百万件もの病例と多数の死亡につながっています。緊急手術はさらなる負荷を加えます：患者はしばしば高齢で衰弱しており、来院時に既に重篤な状態であることが多いです。手術後に感染が急速に進行・悪化することがあり、症状は通常の術後回復と似ているため、急変するまで見分けがつかない場合があります。従来のチェックリストやスコアリングシステムは有用ですが、緊急手術を要する高齢者向けに特化して設計されたものではなく、最もリスクの高い人を見逃すことがあります。

日常的な病院データを早期警告へ変える

研究者らは、29の病院で行われた65歳以上の緊急手術患者を対象とする大規模なイタリアの研究から情報を使用しました。150を超える記録項目のうち、年齢、既往症、機能的状態、バイタルサイン、基本的な血液検査、脆弱性の指標など、術前に利用可能な項目に限定して分析しました。患者は呼吸数、血圧、意識状態を用いるベッドサイドスコアqSOFAに基づき術後敗血症の有無でラベル付けされました。合計で2563人が解析され、そのうち119人が術後に敗血症の基準を満たしました。

コンピュータモデルの構築と検証方法

チームはロジスティック回帰、k近傍法、ランダムフォレスト、勾配ブースティング木など、複数の機械学習モデルを比較しました。自己満足を避けるために、ネストされた交差検証として知られる厳格な二層の検証法を用いました：各実行で一部の患者をテスト群として保持し、モデルの調整は残りの症例のみで行いました。敗血症が比較的稀である点には注意を払い、データのバランス調整、欠損値の補完、測定値の標準化を慎重に行いました。性能評価には総合的に正解率、感度（どれだけ拾えたか）や特異度（どれだけ除外できたか）といった馴染みのある指標を用いました。

モデルが示した敗血症リスクについて

すべての機械学習モデルは、誰も敗血症にならないと仮定する単純な戦略よりも明らかに優れていました。個別モデルの中では、ランダムフォレストと勾配ブースティング木が敗血症を正しく検出しつつ誤警報を抑える最良の組み合わせを示し、総合精度は95％を超え、高リスクと低リスクの患者を識別する能力も強力でした。研究者らは主要な4つのモデルを多数決で統合するアンサンブルも構築しました。この結合手法は非常に高い精度と強い感度、低リスクと判定した場合の高い信頼性を達成し、術後に敗血症を発症したごく少数の患者しか早期警告で見逃されませんでした。

病院での意味合い

将来の研究で確認されれば、この種の術前リスクツールはデータ駆動の実用的なチェックリストを外科チームに提供できる可能性があります。高齢者が手術室に入る前に、モデルが日常的に収集された情報を静かにスキャンして、より注意深い監視や早期抗生物質投与、術後ケアの変更が必要な患者を示唆することができます。患者が一般病棟で回復すべきか高負荷の治療ユニットに移すべきかなどの意思決定を支援し、限られた人員や資源を重症感染の発生が予測される患者に集中させる助けになるでしょう。本研究はこのモデルが日常使用に即準備できていると主張するものではありませんが、緊急手術で既に収集されている情報を敗血症リスクの有意味な早期警告へと変え得ることを示しています。

引用: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

キーワード: 術後敗血症, 緊急手術, 高齢患者, 機械学習, リスク予測