機械学習により肝疾患患者のがんリスクを予測

2024 年 3 月 5 日 – UC Davis Health の研究チーム 発展した 一般的な肝がんの種類である肝細胞がん (HCC) を発症するリスクが高い患者を特定するための機械学習 (ML) ツール。

このモデルは、予測分析を活用して、代謝機能不全に関連する脂肪性肝疾患 (MASLD) 患者のリスク評価を提供します。

「MASLDはHCCにつながる可能性がありますが、この病気は非常に卑劣であり、どの患者がそのリスクに直面しているのかが不明瞭であることがよくあります。」 勉強 共著者であるアニケット・アルワー博士（カリフォルニア大学デイビス精密医療・データサイエンスセンターの臨床情報学専門家）はニュースリリースでこう述べている。 「MASLD患者全員を生検するのは意味がありませんが、リスクをセグメント化できれば、それらの患者をより綿密に追跡でき、おそらくHCCを早期に発見できるでしょう。」

HCC スクリーニングを改善し、リスクを軽減するために、研究者らは ML に注目しました。 彼らは、臨床変数間の関連性を学習し、それらの関連性を使用して 1,561 人のカリフォルニア大学デービス医療センター患者のコホートにおける HCC を予測する能力に基づいて、9 つの予備的なオープンソース アルゴリズムをテストすることから始めました。

これらのアルゴリズムの中から、その高いパフォーマンスに基づいてさらなる評価のために 5 つのアルゴリズムが最終候補に挙げられました。 これらのモデルは、カリフォルニア大学サンフランシスコ医療センターの 686 人の患者からなる別のコホートからのデータを使用して検証され、相互に比較されました。

Gradient Boosted Trees アルゴリズムは、精度、特異性、感度の点で他のアルゴリズムよりも優れています。 このアルゴリズムをパイロット モデルに組み込むことで、研究者らは HCC リスクを予測できるだけでなく、さらなる評価のために関連するリスク要因を特定することもできました。

この分析により、高い線維症 4 指数 (FIB-4) スコアによって定義される進行性肝線維症および肝硬変が、HCC の最も信頼できる予測因子の 1 つであることが明らかになりました。 さらに、肝機能に関連する他の 4 つの危険因子、つまり高血圧、高コレステロール、異常なレベルのビリルビンとアルカリホスファターゼ (ALP) も警告されました。

これらの洞察は、HCC のリスクが高いにもかかわらず、臨床ガイドラインに基づくスクリーニングの対象にならない患者を明らかにするのに役立ちました。 FIB-4 が低いがコレステロール、高血圧、ビリルビンが高い患者はこのカテゴリーに分類され、スクリーニングを改善するモデルの可能性が強調されています。

「92.12点を獲得しました [percent] どの MASLD 患者が HCC を発症するかを予測する際の精度が高く、パイロット モデルとしては非常に優れています」と Alurwar 氏は述べました。 「FIB-4 が低い患者は通常、リスクが低いとみなされ、さらなる評価には紹介されません。 これらの「低リスク」患者のうちどの患者が HCC を発症する可能性があるかを示すことで、肝生検や画像検査を依頼することができます。」

研究チームは今後、自然言語処理（NLP）を使用して臨床記録などの追加データを組み込むことでモデルを強化したいと考えている。

研究者らは、成功したリスク予測モデルが最終的には電子医療記録 (EHR) に統合され、MASLD 患者の HCC リスクがいつ増加するかを臨床医が特定できるようになると指摘しました。

「臨床記録やおそらく他の情報を組み込むことでアルゴリズムを改善できると信じています」とアルワー氏は語った。 「このデータを埋め込むと、さらに強力なモデルが作成され、それがどのように機能するかをテストできるようになります。」

人工知能 (AI) や ML などの高度なテクノロジーは、さまざまな状況に対するリスク層別化の取り組みを進める上で大きな可能性を秘めていますが、これらのモデルは導入前にしっかりとした検証が必要です。

ブリガム陸軍大将の研究チームは最近、 見つかった 院内急性腎障害のエピックリスク（HA-AKI）モデルは中程度の成功しか得ておらず、いくつかの限界があることがわかりました。

研究者らは、このツールの予測パフォーマンスはHA-AKIの段階に応じて変化し、初期の段階の予測の方が後の段階の予測よりも正確であると指摘した。 このモデルは、低リスクの個人を評価する場合にはより信頼性が高かったが、高リスクの患者にフラグを立てるのは困難であった。

さらに研究チームは、このモデルを導入すると誤検知率が高くなる可能性があると指摘しました。

これらの発見は、予測分析ツールの臨床検証の重要性を強調しています。