AIで舌癌手術後合併症のリスク予測を高度化

注目ポイント

• 舌癌手術後の個別化された30日以内術後合併症リスクを予測するAIベースのリスク予測ツール「PRO-TONGUE」を開発。
• XGBoost、LightGBMを含む高度な機械学習（Machine Learning, ML）手法を用い、複数の合併症アウトカムにおける予測精度を向上。
• MLモデルの性能はACS-NSQIPリスク計算機と同等またはそれ以上であり、特に輸血を要する出血の予測で優れていた。
• PRO-TONGUEは、術前計画および共同意思決定を支援するため、解釈可能でアウトカム別のリスク推定を提供する。

研究背景

舌癌は、罹患率が高いことに加え、発話や嚥下といった重要な機能に影響を及ぼすため、臨床上大きな課題となる。舌切除術（glossectomy）および再建を含む外科的切除は、依然として治療の中心である。しかし、これらの手技には術後合併症のリスクが大きく、回復遅延、入院期間延長、長期転帰への悪影響を引き起こしうる。米国外科学会国家外科手術品質改善プログラム（American College of Surgeons National Surgical Quality Improvement Program, ACS-NSQIP）のリスク計算機のような従来のリスク層別化ツールは、集団ベースの推定は可能である一方、このような複雑な患者群に対する個別化精度には限界がある。したがって、術前計画および周術期管理を導く個別化リスク評価を提供できる予測モデルが求められている。

研究デザイン

本後ろ向きコホート研究では、2008年から2024年までのACS-NSQIPデータベースを用い、主として米国の700以上の病院からの情報を統合した。研究対象は、悪性舌腫瘍に対して舌切除術を受けた成人8,266例であった。術前の臨床変数31項目を用いて、ロジスティック回帰と5種類の機械学習（ML）モデル（ニューラルネットワーク、サポートベクターマシン分類器、LightGBM、XGBoost、スタック・ジェネラリゼーション）を学習させた。

2008年から2023年までのデータは、85%を学習用、15%を検証用に分割し、2024年のデータを独立したテストセットとした。術後30日で評価した主要アウトカムは、手術部位感染、輸血を要する出血、肺炎、予定外再手術、任意の合併症、重篤な合併症であった。モデル性能は、受信者動作特性曲線下面積（area under the receiver operating characteristic curve, AUROC）、precision-recall曲線下面積（area under the precision-recall curve, AUPRC）、Brierスコアによる較正、ならびにリスク層別化（lift）による臨床的有用性を指標として、ACS-NSQIPリスク計算機と比較した。

主な結果

研究対象の年齢中央値は63歳で、男性が59.2%を占めた。最も多かった術式は部分舌切除術（74.2%）で、次いで小範囲切除（15.4%）、複合／拡大型舌切除術（9.5%）、全舌切除術（4.1%）であった。術後合併症は決して少なくなく、30日以内に17.3%で何らかの合併症、14.5%で重篤な合併症を認めた。具体的な有害事象としては、予定外再手術（8.6%）、手術部位感染（6.2%）、輸血を要する出血（6.6%）、肺炎（3.2%）が挙げられた。

最適な予測モデルはアウトカムごとに異なっていた。XGBoostは出血、重篤な合併症、任意の合併症の予測で最良の性能を示し、LightGBMは予定外再手術、手術部位感染、肺炎の予測で優れていた。全体として、MLモデルは高い識別能を示し（輸血を要する出血ではAUROC 0.88～0.90）、ロジスティック回帰およびACS-NSQIP計算機と比べてもprecision-recall指標は同等または改善していた。とりわけ、既存のACS-NSQIPツールでは扱われていない新規アウトカムである輸血を要する出血の予測では、最も高いモデル性能が示された。

新たに開発されたPRO-TONGUEツールは、これらのMLモデルを統合し、アウトカム別の個別化リスク予測を提供することで、臨床的解釈性と外科的意思決定への適用可能性を高めている。

専門家コメント

舌癌手術における周術期リスク予測への機械学習の導入は、重要な進歩である。従来のリスク計算機と比較して、MLモデルは臨床変数間の複雑な非線形相互作用を捉えることができ、結果として精度向上につながる。PRO-TONGUEツールが公開されていることにより、臨床医は患者説明、手術計画、術後ケア経路にデータ駆動型の知見を取り入れることが可能となる。

一方で、ACS-NSQIPデータベースの対象集団以外への一般化可能性、および本研究が本質的に後ろ向き研究である点には注意が必要である。多様な臨床環境と患者背景における頑健性を確認するためには、前向き研究および外部検証が不可欠である。さらに、ML由来のリスク推定をどのように解釈するかについての透明性と臨床医教育も、誤用を避けるうえで重要である。

生物学的観点からは、XGBoostのようなMLモデルが凝固異常、栄養状態、腫瘍進展に関連する特徴量を優先する能力は、病態機序の理解や標的を定めた周術期最適化の可能性を示している。

結論

本研究は、大規模かつ代表性の高いデータに基づき、機械学習モデルが舌癌の舌切除術後における主要な30日以内術後合併症を高精度に予測できることを示した。アウトカム別に最適化されたアルゴリズムを活用するPRO-TONGUEリスク計算機は、個別化され解釈可能なリスク推定を提供し、術前リスク層別化の改善と臨床意思決定の支援に寄与する可能性がある。今後の研究では、前向き検証、追加バイオマーカーおよび画像データの組み込み、ならびにAIツールの多職種頭頸部腫瘍診療への統合に焦点を当て、患者転帰の向上を図るべきである。

資金提供およびClinicalTrials.gov

本研究では外部資金源は明記されていない。後ろ向きコホート解析であるため、ClinicalTrials.gov登録の対象ではなかった。

参考文献

1. Matar DY, et al. Artificial Intelligence-Based Risk Prediction Models for Complications After Tongue Cancer Surgery. JAMA Otolaryngol Head Neck Surg. 2026;152(8):797-809. doi:10.1001/jamaoto.2026.3412
2. Bilimoria KY, et al. Development and Evaluation of the American College of Surgeons NSQIP Surgical Risk Calculator: A Decision Aid and Informed Consent Tool for Patients and Surgeons. J Am Coll Surg. 2013;217(5):833-42.
3. Lundberg SM, et al. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017;30:4765-4774.
4. Wulff-Burchfield E, et al. Machine Learning-based Prediction Models for Head and Neck Cancer Outcomes: A Systematic Review. Oral Oncol. 2022;131:106083.