ハイライト
- 機械学習モデルは、救急外来（ED）受診から48時間以内の小児セプシスリスクを初期臨床データを使用して正確に予測します。
- 勾配ブースティングを組み込んだモデルは、セプシス予測のAUCが最大0.94、セプティックショック予測のAUCが0.92以上を達成しました。
- 主要な予測特徴量には、救急重症度指数、年齢調整されたバイタルサイン、および救急外来での最初の4時間の電子健康記録（EHR）データから抽出された医療複雑性が含まれます。
- 公平性分析では、モデルのパフォーマンスが人口統計学的に一貫しており、メディケイド保険患者では商業保険患者よりも高い精度が示されました。
研究背景
セプシスは、世界中で小児の罹患率と死亡率の主な原因であり、その異質性と急速な進行により、临床上の大きな課題となっています。早期認識と適切な治療は結果を大幅に改善しますが、特に救急外来設定では早期の兆候が微妙で非特異的なため、セプシスおよびセプティックショックの発症リスクを特定することが困難です。既存の診断基準と臨床判断だけでは感度と特異度が限られており、以前の予測モデルは早期診断の強化に一貫して寄与していません。したがって、救急外来評価の最も早い段階でセプシスの発症リスクを個別に推定できる堅牢でデータ駆動型のツールに対する重要な未充足のニーズがあります。
研究デザイン
本多施設コホート研究では、Pediatric Emergency Care Applied Research Network (PECARN) 内の5つの医療システムのデータを使用し、2016年1月から2020年2月までのモデル開発用ED訪問データと、2021年1月から2022年12月までの時間的検証用データを対象としました。対象患者は、救急外来訪問中に死亡または転院した、外傷診断を受けた、または予測特徴量データウィンドウ内に既にセプシスが存在していた2か月から18歳未満の小児を除きます。電子健康記録（EHR）から、救急外来での最初の4時間の患者の人口統計情報と生理学的パラメータを抽出しました。主要なアウトカムは、疑わしい感染症とPhoenix Sepsis Criteria (PSC) スコア2以上のいずれか、または死亡を伴う48時間以内のセプシス発症でした。
本研究では、ロジスティック回帰（リッジ正則化）と勾配ブースティング木を用いた機械学習アルゴリズムを比較し、セプシスとセプティックショックの予測を行いました。モデル報告はTRIPOD-AIガイドラインに従い、2025年7月まで広範なデータ分析が行われ、開発と検証の厳密さを確保しました。
主要な知見
大規模データセットは、訓練コホートで1,604,422件の適格事例と、テストコホートで719,298件の適格事例を含みました。予測性能は堅牢で、勾配ブースティングモデルがロジスティック回帰を上回りました。
セプシス予測において、ロジスティック回帰の受信者動作特性曲線下面積（AUROC）は0.92（95% CI, 0.92-0.93）、勾配ブースティングは0.94（95% CI, 0.93-0.94）でした。セプティックショック予測モデルはAUROCが0.92以上を示し、優れた識別能力を示しました。
勾配ブースティングの陽性尤度比（LR+）は、セプシスで4.67～6.18、セプティックショックで4.16～5.83で、モデルが高リスクを予測すると、検査後の確率が大幅に増加することを示しています。
重要な予測特徴量には、救急重症度指数（トリアージ急性度）、心拍数や呼吸数などの年齢調整されたバイタルサイン、患者の医療履歴の複雑性が含まれます。これらの多次元入力は、静的な臨床基準を超えた洗練されたリスク分類を提供します。
本研究では、モデルの公平性も評価しました。AUROCと尤度比は、人種、民族、性別に関係なく一貫していましたが、メディケイド保険患者では商業保険患者よりもパフォーマンスが優れていました。これは、データ収集の違いや人口特性に起因する可能性があり、さらなる調査が必要です。
専門家コメント
本研究は、大規模な多施設EHRデータを活用して、救急設定での小児セプシス予測を変革する機械学習アプローチの可能性を示しています。高AUROCと陽性尤度比は、通常収集される臨床情報を高度な解析と組み合わせることで、正確な早期警告を提供できることを確認しています。
強みには、地理的に多様な患者集団、堅牢な外部時間的検証、透明性のある報告基準への準拠が含まれます。取得が容易な変数の使用は、実用的な実装を容易にします。
ただし、課題も残っています。本研究では、外傷や既存のセプシスがある高リスク集団が除外されているため、これらの亜群への適用性が制限されます。保険ステータスに関連する潜在的なバイアスは、臨床意思決定支援の展開における意図しない不均衡を避けるために、さらなる分析が必要です。また、臨床ワークフローとの統合と、患者アウトカムへの影響の前向き評価は、今後の重要なステップです。
生物学的には、予測特徴量は既知のセプシス病理生理学と一致しており、変化したバイタルサインは早期の全身炎症反応を反映し、より高い医療複雑性は感染合併症のリスクを高める可能性があります。
結論
本研究は、初期ED臨床データに基づく機械学習モデルが、48時間以内の小児セプシスとセプティックショックを信頼性高く予測できることを示す強力な証拠を提供しています。勾配ブースティングアプローチは、優れた識別性能と陽性尤度比を備えており、医師の判断を補完し、早期介入を可能にする有望なツールを提供します。
今後の研究では、前向き検証、臨床意思決定支援システムへの統合、治療の迅速性とアウトカムへの影響の評価に重点を置くべきです。保険や他の社会的決定要因に関連する不平等の解消も、公平な医療を提供するために重要です。小児セプシスが重要な公衆衛生課題であるため、このようなデータ駆動型予測モデルは、早期認識を大幅に改善し、この脆弱な集団の罹患率と死亡率を低下させる可能性があります。
資金提供とClinicalTrials.gov
本研究は、Pediatric Emergency Care Applied Research Network (PECARN) の下で実施されました。利用可能なデータでは、具体的な資金源は報告されていません。本観察的導出・検証研究では後方視的レジストリデータが使用され、臨床試験登録は示されていません。
参考文献
Alpern ER, Scott HF, Balamuth F, Chamberlain JM, Depinet H, Bajaj L, Simon NE, Carter CP, Elsholz C, Webb M, Campos D, Deakyne Davies SJ, Cook LJ, Ungar L, Grundmeier R; PECARN PED Screen Study Group. Derivation and Validation of Predictive Models for Early Pediatric Sepsis. JAMA Pediatr. 2025 Oct 13:e253892. doi: 10.1001/jamapediatrics.2025.3892. Epub ahead of print. PMID: 41082207; PMCID: PMC12519407.