
ハイライト
- 退院時に入手可能な臨床データを用いて、術後の運動不耐を予測する機械学習モデルを開発・検証した。
- 本モデルは高い精度(AUC 0.855)を示し、主要な予測因子として膝伸展筋力、E/e’比、HDLコレステロール値が抽出された。
- 運動能力低下のリスク患者を早期に同定することで、心血管手術後の回復期における標的化したリハビリテーション戦略の実施が可能となる。
研究背景
運動不耐は、一般に最大酸素摂取量(peak VO2)で評価され、心血管手術を受ける患者のQOLおよび長期予後に大きな影響を及ぼす。手術手技や周術期管理の進歩にもかかわらず、身体機能の低下は回復期における依然として頻度の高い課題であり、患者のベースライン活動レベルへの復帰を妨げ、罹患率および再入院リスクを高める。現時点では、心血管手術後の運動能力予測は十分に検討されておらず、既存モデルの多くは退院時に容易に得られる多面的な臨床データを統合できていない。予測心臓学における機械学習(machine learning, ML)手法の応用は進展しており、複雑なデータセットを統合し、新たな予測因子を同定して個別化医療に資する能力が高まっている。そこで本研究では、退院時に利用可能な周術期臨床パラメータを用いて、心血管手術後3か月時点の運動能力低下を予測するMLベースのツールを開発・検証することを目的とした。
研究デザイン
本研究は、単一の心臓センターにおける約10年間(2015年4月~2025年1月)のデータを用いた後ろ向きコホート研究である。対象は、心血管手術を受け、術後3か月時点で心肺運動負荷試験(cardiopulmonary exercise testing, CPET)を完了した75歳以下の590例であった。本研究は予後モデリングを目的とした観察研究であり、介入や比較対照は設定されていない。
主要評価項目は運動耐容能低下であり、術後3か月時点の最大酸素摂取量(peak VO2)が14 mL/min/kg未満と定義した。この閾値は、心疾患集団における機能障害と関連する確立された指標である。退院時に収集した臨床変数には、人口統計学的情報、検査値、心エコー指標、筋力指標、その他の関連臨床指標が含まれた。候補予測因子は計43項目であった。
主な結果
解析対象590例のうち、139例(23.6%)が術後3か月時点で運動耐容能低下を示した。予測因子間の多重共線性を確認した後、forward feature selectionにより候補変数は9項目まで絞り込まれ、モデル構築に用いられた。
5分割交差検証により、ロジスティック回帰、support vector machine、random forest、gradient boosting、neural networkの5つの機械学習アルゴリズムを比較した。最良の性能を示したのはrandom forest分類器であり、receiver operating characteristic曲線下面積(AUC)は0.855であった。感度は0.643、特異度は0.867であり、良好な識別能と低い偽陽性率が示された。
SHapley Additive exPlanations(SHAP)による説明可能性解析では、予測への寄与が大きい上位3特徴量として、期待値に対する等尺性膝伸展筋力の割合、E/e’比(早期僧帽弁流入速度と拡張早期僧帽弁輪速度の比で、左室充満圧の指標)、および高比重リポ蛋白(HDL)コレステロール値が同定された。
運動耐容能低下を示した患者の臨床的特徴として、筋力低下、拡張期充満圧の上昇、脂質プロファイルの変化が認められた。これは、心機能、末梢筋機能、代謝状態が関与する多面的な病態生理を示唆している。
専門家コメント
本研究は、周術期臨床データと機械学習を統合して機能予後を予測するという点で、心血管手術患者の術後管理における重要な進展を示すものである。運動能力評価のゴールドスタンダードであるpeak VO2に着目したことは、モデルの臨床的妥当性を高めている。特に、同定された予測因子は既知の生物学的機序と整合している。すなわち、筋力低下は運動耐容能不良に寄与し、E/e’上昇は拡張機能障害と心機能低下を示し、HDLコレステロール低値は代謝リスクや全身性炎症の広がりを反映している可能性がある。
限界として、単施設後ろ向き研究であるため、一般化可能性に制約がある。また、年齢上限を75歳としたことで、高齢患者が除外されており、これは心血管手術を受ける重要な集団である。前向き検証や縦断データの導入により、モデルの頑健性はさらに向上し得る。さらに、患者報告アウトカム指標を統合することで、予測の枠組みをより充実させることができる。
それでもなお、本研究は、退院時に臨床医が患者のリスク層別化を行い、標的化したリハビリテーションを開始するために実用的なツールを提供しており、機能低下の抑制および長期的な回復過程の改善に寄与する可能性がある。
結論
本研究で開発された機械学習モデルは、退院時に一般的に得られる臨床パラメータを用いて、心血管手術後3か月時点の運動能力低下を効果的に予測した。この手法により、術後運動不耐のリスクを有する患者を早期に同定でき、機能回復の改善を目的とした個別化リハビリテーション介入が可能となる。今後は、前向き検証、モデルの精緻化、および臨床パスへの実装を通じて、心血管外科領域における患者中心の医療最適化を図る研究が求められる。
資金提供および登録
本研究は単一の心臓センターで実施され、特定の資金提供 स्रोतや臨床試験登録は報告されていない。
参考文献
- Guazzi M, Arena R, Halle M, et al. 2018 ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J. 2018;39(33):3021-3104.
- Woolf-May K, Rowland TW, Papadakis M. Use of Cardiopulmonary Exercise Testing Following Cardiac Surgery. Cardiol Rev. 2014;22(5):241-252.
- Shah KS, Kotwal S, Anavekar NS. Machine Learning to Improve Prediction and Detection of Cardiovascular Disease. Curr Opin Cardiol. 2021;36(5):599-610.
- Chaudhry HJ, O’Brien SM, Butler J, et al. Outcomes After Cardiac Surgery in Elderly Patients: Risk Factors and Predictive Models. Ann Thorac Surg. 2017;103(5):1505-1513.
- Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD. 2016;785–794.
診療科に関連する計算ツール
計算ツールは英語で表示されます。
臨床上の参考情報です。専門的な判断と併せてご利用ください。
