注目ポイント
入院時の臨床データを用いて、非外傷性脊髄損傷（nontraumatic spinal cord injury, NTSCI）患者の歩行能力を予測するGradient Boosting Decision Tree（GBDT）ベースのモデルを開発した。
本モデルは、内部検証で高い性能（AUC 0.91、recall 0.92）を示し、時系列外部検証コホートでも良好な精度（0.81）を維持した。
主要な予測因子は下肢総筋力と患者年齢であり、予後に関わる重要な臨床因子が示された。
本結果は予備的知見であり、臨床導入前には多施設外部検証とより大規模なサンプルが必要である。
研究背景
非外傷性脊髄損傷（nontraumatic spinal cord injury, NTSCI）とは、変性疾患、感染、虚血、腫瘍などの非偶発的要因によって生じる脊髄損傷を指す。外傷性脊髄損傷とは異なり、NTSCIは高齢化の進行に伴って発生が顕著に増加しており、世界的にみて重要かつ拡大し続ける公衆衛生上の負担となっている。歩行能力は、これらの患者にとって最も重要な機能的転帰の一つであり、自立度と生活の質に直接影響する。しかし、NTSCI後の歩行回復の予後は、外傷性脊髄損傷と比べて十分に明らかではなく、その主因として病因の多様性と予測ツールの不足が挙げられる。
入院時点で歩行能力を早期かつ正確に予測できれば、個別化されたリハビリテーション計画の立案や、現実的な目標設定に役立ち、患者への説明および医療資源の配分を改善できる。従来の予後予測モデルは、臨床スケールや医療者の経験に依存しており、複雑なデータパターンを統合できていなかった。機械学習（machine learning, ML）手法は、多次元の臨床データを高度に解析でき、新たな予後関連指標を見いだせる可能性があり、予測精度向上への期待が高い。
研究デザイン
本後ろ向き研究は、NTSCI患者の歩行能力に関する機械学習ベースの予後予測モデルを、早期入院時の臨床指標を用いて開発・検証することを目的とした。
NTSCI患者148例を登録し、無作為に学習用データセット（80%）と内部検証用データセット（20%）に分割した。筋力や人口統計学的変数を含む客観的臨床指標から構築した4種類の特徴量セットを入力とした。9種類の機械学習アルゴリズムを比較評価し、性能指標が最も優れていたGradient Boosting Decision Tree（GBDT）を採用した。
モデル評価では、受信者動作特性曲線下面積（area under the receiver operating characteristic curve, AUC）、recall、precision、F2-scoreを用い、歩行回復可能性を過小予測した場合の臨床的影響を踏まえて感度を重視した。
外的妥当性の検証として、元の研究期間（2025年7月～2026年5月）終了後に入院した独立コホート37例のNTSCI患者を対象に、時系列外部検証を実施した。これにより、時間経過に伴うモデルの適用可能性を評価し、機械学習研究でしばしば問題となる過学習のリスクを軽減した。
倫理承認は取得済み（M202616）であり、同意取得は免除された。研究は後ろ向きに登録された（MR-11-26-021748）。研究デザインおよび成果の普及において、患者または一般市民の関与は報告されていない。
主な結果
Gradient Boosting Decision Treeモデルは内部検証データセットで優れた性能を示し、AUC 0.91（95% CI: 0.77–1.00）、recall 0.92（95% CI: 0.71–1.00）、全体正解率0.90を達成した。これらの指標は、リハビリテーション後に歩行能力を回復すると予測される患者を高い識別能と感度で判別できることを示している。
特に、本モデルは下肢総筋力と患者年齢を主要な予測因子として同定した。これは、筋機能と年齢が神経学的回復可能性に影響するという臨床知見と一致している。
時系列外部検証コホートでは、精度0.81（95% CI: 0.68–0.92）、recall 0.70（95% CI: 0.40–1.00）を維持し、やや低下はみられたものの、時間的汎化可能性を支持する結果であった。今後、さらなる前向き研究が必要である。
本研究は観察研究であるため、有意な安全性情報や有害転帰は報告されていない。
専門家コメント
本研究は、機械学習、とりわけGBDTアルゴリズムを用いてNTSCIの歩行転帰を予測する新規エビデンスを提示しており、強固な予後予測モデルが乏しい領域に重要な知見を加えるものである。入院時に容易に取得可能な臨床指標を用い、さらに時系列外部検証を厳密に実施したことで、リハビリテーション医療における機械学習応用の主要課題である過学習と再現性の問題に対応している。
一方で、後ろ向きデザイン、比較的小規模なコホート、単施設データ、病因の多様性を十分に反映していない点などの限界がある。これらの要因により、直ちに臨床へ導入することは難しく、異なるNTSCI集団を対象としたより大規模な多施設前向き研究による検証とモデル精緻化が求められる。
recall（感度）を重視した点は臨床的に妥当であり、歩行回復が見込まれる患者を取りこぼさず、集中的治療の恩恵を受けやすい集団を把握するうえで有用である。今後は、神経画像、電気生理学的データ、患者報告アウトカムを統合することで、予測性能がさらに向上する可能性がある。
NTSCIリハビリテーションに関する今後の臨床指針では、これらの予測ツールを組み込み、リハビリテーションの強度と期間を個別化することで、資源利用の最適化が期待される。ただし、現時点の結果は探索的段階にあり、臨床判断には慎重な解釈が必要である。
結論
本予備的研究は、Gradient Boosting Decision Treeに基づく有望な機械学習モデルにより、入院早期の臨床指標を用いてNTSCI患者のリハビリテーション後の歩行能力を予測できることを示した。内部検証での良好な性能と時系列外部検証での有望な結果は、リハビリテーション計画を支援する補助ツールとしての可能性を示唆している。
ただし、得られた知見は探索的であり、日常診療に導入する前に、より大規模な多施設前向きコホートでの外部検証が必要である。今後の研究では、データセットの拡充、多面的な予測因子の統合、実臨床での影響評価を進め、NTSCI患者の転帰改善に向けた機械学習の活用をさらに推進すべきである。
資金提供と登録情報
本研究に特定の資金提供元は報告されていない。倫理承認はプロトコルM202616に基づき取得され、試験は識別子MR-11-26-021748で後ろ向き登録された。
参考文献
1. Tong A, Guo J, Cai X, et al. A Machine Learning Model With Temporal Validation for Predicting Walking Ability in Nontraumatic Spinal Cord Injury. Neurorehabil Neural Repair. 2026 Oct 16:15459683261493914. doi:10.1177/15459683261493914. PMID: 42885901.
2. Kirshblum SC, et al. International standards for neurological classification of spinal cord injury (revised 2019). J Spinal Cord Med. 2020;43(1):120-126.
3. Steeves JD, et al. Rehabilitation of patients with spinal cord injury: an overview. Spine (Phila Pa 1976). 2011;36(21 Suppl):S54-S56.
4. Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning. Springer; 2009.
