序論：肝切除後の肝不全の課題
肝切除後の肝不全（PHLF）は、主要な肝切除術後の最も難解な合併症であり、術後合併症と死亡率の主因となっています。手術技術や周術期ケアの進歩にもかかわらず、悪性腫瘍のための主要な肝切除術を受けた患者でのPHLFの発生率は依然として大きな臨床的な課題となっています。PHLFの基本的な病態生理は、未来の肝残存体積/機能と体内の代謝要請とのバランスの乱れにあり、しばしば肝再生の障害によって悪化します。
従来の予測モデル（Child-Pughスコア、MELDスコア、各種術前肝機能検査など）は肝臓の予備能を示すスナップショットを提供しますが、肝再生の動的で時間依存的な性質や術中・早期術後期間に起こる生理学的変化を頻繁に捉えきれないことがあります。このギャップを埋めるために、PILOT（Perioperative Integrated Liver-regeneration Optimized Time-phased）アーキテクチャが開発され、機械学習を用いて新しいバイオマーカーと縦断的な臨床データを統合しています。
PILOTアーキテクチャのハイライト
本研究は、肝胆膵外科と予測解析の分野におけるいくつかの重要な進展を紹介しています：
1. 新しいバイオマーカーの統合：GATA3、RAMP2、VEGFA、PEDFなどの特定の肝再生関連バイオマーカーが含まれており、肝残存の分子状態を反映しています。
2. 時間フェーズ型予測モデリング：データを術前、術中、術後フェーズに分類することで、継続的なリスク再評価が可能です。
3. 高度な予測精度：PILOTモデルは最大0.904のAUC値を達成し、従来のスコアシステムを大幅に上回っています。
4. 早期の臨床的実行可能性：フレームワークは術後6時間以内に高精度のリスク分類を可能にし、介入の重要な窓を提供します。
研究デザインと方法論
この後ろ向き多施設研究（ClinicalTrials.gov: NCT05779098）では、2019年から2024年にかけて3つの大規模センターで主要な肝切除術を受けた1,071人の患者のデータを分析しました。コホートは訓練セット（n = 623）と2つの独立した外部検証コホート（n = 206および242）に分割され、結果の汎化可能性を確保しました。
研究者は55の周術期変数を評価しました。本研究の特徴的な側面は、以前のトランスクリプトミック研究で肝再生に重要な役割を果たすと識別された4つの新しいバイオマーカー（GATA3（GATA結合タンパク質3）、RAMP2（レセプター活性修飾タンパク質2）、VEGFA（血管内皮成長因子A）、PEDF（色素上皮由来因子））を含めることでした。これらの変数は3つの異なるデータセットに組織されました：
1. PILOT-Pre：術前の臨床データとバイオマーカー。
2. PILOT-Intra：術前のデータと術中の要因（例：出血量、手術時間）を統合。
3. PILOT-Post：早期術後データ（6時間以内）の包含。
13種類の異なる機械学習アルゴリズムがテストされ、LightGBMとXGBoostが使用され、個々の特徴がモデルの予測に与える貢献を解釈するためにSHAP（SHapley Additive exPlanations）分析が行われました。
主要な知見とパフォーマンス指標
PILOTアーキテクチャは、周術期のすべての段階で優れた判別能力を示しました。
モデルの判別力と検証
訓練コホートでは、PILOT-PreとPILOT-Intraモデル（それぞれ10および15の特徴を使用してLightGBMを用いた）はAUC値が0.754と0.787を達成しました。PILOT-Postモデル（20の特徴を使用してXGBoostを用いた）はAUC値が0.904に達しました。これらの結果は外部検証コホートでも成功裏に再現され、AUC値は0.740から0.895の範囲でした。一方、MELDスコアやALBI（アルブミン-ビリルビン）グレードなどの従来のモデルは予測力が著しく低く、AUC値は0.502から0.644（P < 0.050）でした。
リスク分類と精度
PILOT-PreとPILOT-Intraの予測を統合して共通のリスク分類フレームワークが開発されました。このフレームワークは患者を高リスク、中リスク、低リスクのグループに分類します。共通の高リスクグループはPHLFイベントに対するクラス固有の精度が94.4％から96.6％を示しました。一方、共通の低リスクグループは非PHLFイベントに対する精度が92.1％から95.5％を示しました。このレベルの精度により、医師はどの患者が集中的なモニタリングを必要とするか、どの患者が回復を速やかに進められるかを高い信頼性で特定できます。
重要なリスク閾値の同定
SHAP分析は、PHLFのリスク増加に関連するいくつかの重要な生理学的および分子的閾値を同定しました：
1. 血清リン：術後3日の血清リンレベルが2.4 mg/dLを超えることが有意な予測子として同定されました。リンのレベルが高くなることは一般的に再生と関連していますが、本研究はそのタイミングとレベルの複雑さを強調しています。
2. RAMP2-GATA3比：肝組織での比が10.1未満である場合、リスクが高くなることが示唆されており、これらの血管新生と転写因子のバランスが乱れると再生能力が低下することが示されています。
3. PEDF-VEGFA指数：血清指数が4.9を超えるとPHLFリスクが高まることが示され、炎症を促進するか血管新生を抑制する状態が肝臓の回復を阻害していることを反映しています。
専門家コメント：メカニズムの洞察と臨床的有用性
PILOTアーキテクチャの成功は、再生の観点から肝臓の生物学的予備能を定量化する能力にあります。RAMP2とVEGFAの包含は特に重要です。これらのタンパク質は、肝細胞の増殖に必要な肝血窦内皮細胞シグナル伝達の中心的な役割を果たします。RAMP2-GATA3軸が破壊されると、血管と実質の成長の調和されたプロセスが損なわれ、残存肝の機能不全が生じます。
さらに、時間フェーズ型アプローチは手術が動的なストレスであることを認識しています。術中の事象（例：長時間の虚血や過剰な出血）は、患者を術前低リスクから術後高リスクにシフトさせることができます。手術後6時間以内に信頼できる予測を提供することにより、PILOTは早期の薬理学的介入（成長因子や特殊な栄養補助の使用、最適な流体管理）を可能にし、PHLFの重症度を軽減します。
ただし、制限も指摘する必要があります。後ろ向き研究であるため、選択バイアスのリスクがあります。外部検証は堅牢でしたが、RAMP2-GATA3などの組織ベースのバイオマーカーの統合には迅速な病理処理が必要であり、すべての臨床設定で利用可能とは限りません。将来の前向き試験が必要です。PILOTの予測に基づく介入が直接患者の生存率を改善するかどうかを確認する必要があります。
結論
PILOTアーキテクチャは、パーソナライズされた手術ケアの大きな飛躍を代表しています。肝再生の分子基盤と高度な機械学習を統合することにより、PHLFの予測に実用的で非常に正確なツールを提供します。このフレームワークは、静的で一括適用の評価から動的でデータ駆動型のアプローチへと分野を移し、術後初期段階で高リスク患者を特定することができ、主要な肝手術を受けている患者の管理を根本的に変革する可能性があります。
資金提供と登録
本研究は、中国国家自然科学基金（82403243）、中国博士研究員支援プログラム（GZC20231943）、上海市科学技術委員会（23Y11905900）の支援を受けています。本研究はClinicalTrials.govでNCT05779098の識別子で登録されています。
参考文献
1. Shen H, Yuan T, Si A, et al. Liver regeneration-associated machine learning architecture integrating time-phased predictions for post-hepatectomy liver failure. EClinicalMedicine. 2025;90:103661. doi:10.1016/j.eclinm.2025.103661.
2. Reissfelder C, Brand K, Sobotka C, et al. Prediction of posthepatectomy liver failure: A systematic review of existing scoring systems. HPB (Oxford). 2021;23(1):1-12.
3. Rahbari NN, Garden OJ, Padbury R, et al. Posthepatectomy liver failure: a definition and grading by the International Study Group of Liver Surgery (ISGLS). Surgery. 2011;149(5):713-724.