骨粗鬆性椎体圧迫骨折に対する経皮的椎体形成術後の合併症予測における大規模言語モデルと機械学習の比較的性能

脆弱な脊椎を抱える人にとっての意義

高齢化が進むにつれて、骨が薄くなることで起こる痛みを伴う脊椎骨折は増えています。広く用いられる治療法である経皮的椎体形成術は痛みを迅速に軽減できますが、望ましくない合併症を引き起こすこともあります。本研究は、人気のあるチャットボットに似た大規模言語モデルを含む最新の人工知能ツールが、治療後にどの患者がこれらの合併症を発症しやすいかを医師が予測する手助けになるかを問います。

問題となる背骨の損傷とその一般的な治療

骨粗鬆性椎体圧迫骨折は、脆弱になった脊椎の骨がつぶれることで生じ、しばしば軽い転倒や日常の動作でも発生します。経皮的椎体形成術は、バルーンを挿入して空間を作り、骨セメントでその隙間を充填することでこれらの骨折を安定化させ、通常は痛みを軽減し、潰れた椎体の高さをある程度回復させます。しかし、セメントが骨の外に漏れることがあり、数か月後に別の椎体で新たな骨折が生じることもあります。これらの合併症は神経障害、肺合併症、持続する痛みなど深刻な問題を引き起こす可能性があるため、術前に高リスク患者を特定できるツールが求められています。

従来型のコンピュータモデルと人間の判断

大規模言語モデルが普及する以前、研究者たちは患者記録や画像からパターンを学習する従来型の機械学習システムを構築していました。これらのシステムは年齢、骨密度、骨折形状、セメントの分布など多くの情報を組み合わせて、セメント漏出や新規骨折の発生確率を推定できます。一方で、経験豊かな脊椎外科医は同じ情報を見て独自の判断を下します。従来のコンピュータモデルはしばしば良好な成績を示しますが、慎重な学習、技術的専門知識、計算資源を要するため、日常の病院での利用が制約されることがあります。

チャットボットを実地で試す

本研究では、北京の大病院で椎体形成術を受けた1000人以上の患者からデータを収集しました。各患者について標準的な臨床情報と画像情報を記録し、2つの大規模言語モデル、複数の従来型機械学習モデル、そして2人の脊椎外科医に対して、術後の骨セメント漏出と将来の新規骨折の有無を予測させました。チャットボットは2通りの方法で評価されました。ゼロショット設定では症例の詳細だけが与えられて予測を求められ、フューショット設定では結果が既知の少数の例を最初に示して学習させ、それが予測改善につながるかを検証しました。

コンピュータと外科医が正解したこと、誤ったこと

術後間もないセメント漏出の予測では、大規模言語モデルはまずまずの成績を示しました。その結果は最良の従来型モデルと同程度で、単独の外科医よりやや良いことがありました。しかし、数か月後の新規骨折の予測ではチャットボットは苦戦しました。初期の試みは成績が低く、ほとんど全員が新たな骨折を起こすと偏って予測する傾向がありました。例示を与えると若干改善しましたが、特にサポートベクターマシンと呼ばれる従来型機械学習モデルが依然としてより安定した性能を示しました。チャットボットは、セメントが正確にどこから漏れたかや次にどの椎体が折れるかといった合併症の細分類を特定するタスクでも失敗しました。

医師への支援にはなるが、単独での運用にはまだ遠い

興味深い発見として、外科医はチャットボットの説明を参照することで利益を得る場合がありましたが、それはモデル自体の予測が既に一定の精度を示しているタスクに限られました。基礎となる予測が弱い場合、たとえば長期的な骨折予測のような場合には、説明が医師の判断を改善しませんでした。全体として、本研究は現時点の大規模言語モデルが椎体形成術後の特定の短期リスクについて有用な支援を提供できる一方で、既存のコンピュータモデルや専門家の判断に取って代わるほど信頼できるものではないことを示しています。現状では、これらはまだ微調整、医療データでのより適切な学習、画像ツールとの緊密な統合が必要な初期的な支援ツールと見なすべきであり、実臨床で安全に活用するには改良が求められます。

引用: Wang, T., Chen, R., Liang, M. et al. Comparative performance of LLMs and machine learning in predicting complications after percutaneous kyphoplasty for osteoporotic vertebral compression fractures. npj Digit. Med. 9, 401 (2026). https://doi.org/10.1038/s41746-026-02588-4

キーワード: 骨粗鬆性脊椎骨折, 経皮的椎体形成術, 大規模言語モデル, 医療における機械学習, 手術リスク予測