周術期血行動態を組み込んだ機械学習モデルが心移植後の中等度から重度のAKIを予測

• 主要結果：周術期血行動態指標（肺動脈収縮期圧、平均動脈圧、中心静脈圧）を組み込んだ機械学習モデルが、心移植後の術後ステージ2-3 AKIをAUC 0.898で予測。

• 発生率：レシピエントの21.9%（25/114）が中等度から重度のAKIを発症。

• 最良モデル：LightGBMが識別能と較正において他のアルゴリズムを上回った。

• 臨床的意義：本モデルは早期の血行動態最適化を導きAKIリスクを低減する可能性があるが、外部検証が必要。

本研究の重要性

同所性心移植（OHT）後の急性腎障害（AKI）は一般的であり、定義により最大20-50%のレシピエントに影響を及ぼし、罹患率と死亡率の増加と強く関連している。既存のOHT後AKIの予測モデルは、術前特性と静的な術中因子に焦点を当てており、複数の血行動態パラメータの動的影響を見過ごすことが多かった。術中低血圧と静脈うっ滞は修正可能なリスク因子であるため、リアルタイムの血行動態データを統合したモデルは早期介入を可能にする可能性がある。本研究は、OHT後のステージ2-3 AKIを予測するために周術期血行動態指標を組み込んだ機械学習（ML）モデルを開発し比較することを目的とした。

研究方法

研究者らは単一施設で114人の成人OHTレシピエントを後方視的に分析した。ベースラインの人口統計学的、臨床的、検査データに加えて、平均動脈圧（MAP）、中心静脈圧（CVP）、肺動脈収縮期圧（PASP）を含む術中血行動態パラメータを収集した。主要アウトカムは移植後7日以内のKDIGOクレアチニン基準によるステージ2-3 AKIとした。予測因子の選択は単変量解析の後、LASSO回帰により過学習を最小化するように進められた。5つのMLアルゴリズム（ロジスティック回帰、ランダムフォレスト、サポートベクターマシン、XGBoost、LightGBM）を訓練した。モデル性能は5分割交差検証を用いてAUC、AUPRC、Brierスコアで評価した。

研究結果

114人中25人（21.9%）がステージ2-3 AKIを発症した。候補予測因子のうち、低MAP、高CVP、高PASP、高術前クレアチニン、低術前ヘモグロビン、長い人工心肺時間、高血管作動薬-変力スコア、高赤血球輸血量が最終モデルに保持された。LightGBMモデルが最良の全体的性能を示した（AUC 0.898、AUPRC 0.802、Brierスコア0.106）。著者らは、術中低血圧（低MAP）と静脈うっ滞（高CVPおよび高PASP）がAKIリスクと強く関連しており、低灌流と腎うっ血の確立された病態生理学的メカニズムと一致すると述べている。

強みと限界

強みとしては、複数のMLアルゴリズムの使用と包括的な血行動態データが挙げられる。しかし、本研究には重要な限界がある。後方視的かつ単一施設であり、サンプルサイズが小さく（n=114）、イベント数が25と少ないため、LASSOと交差検証にもかかわらずモデルの過学習リスクが高い。外部検証コホートは使用されておらず、一般化可能性が制限される。モデルは周術期データのみで構築されており、免疫抑制、輸液バランス、昇圧薬使用などの移植後交絡因子は含まれていない。さらに、アウトカム定義はクレアチニン基準のみに依存して尿量を考慮しておらず、AKIを過小評価または過大評価する可能性がある。著者らは、臨床的有用性を評価するために不可欠な較正曲線や決定曲線分析を報告していない。

臨床実践と研究への示唆

この概念実証研究は、血行動態パラメータを統合したMLモデルがOHT後AKIの早期リスク層別化を強化する可能性を示唆している。外部検証されれば、本モデルはMAPを閾値以上に維持したり、前負荷を管理して静脈うっ滞を軽減するなど、目標指向型血行動態療法の指針となる可能性がある。しかし、臨床採用の前に、前向き多施設検証、術後変数の組み込み、およびその使用が患者転帰を改善するかどうかの評価が必要である。研究者はまた、術中および術後モニタリングデータを用いた予測の動的更新を探求すべきである。血行動態とAKIの関連は、心移植レシピエントにおける慎重な周術期灌流管理の必要性を強化する。