AIとがん研究 ── 肺がん ── 2026-10-09
肺がんの治療・治験とAI
- Development and internal validation of a predictive model for clinical deterioration in newly diagnosed lung cancer patients based on interpretable machine learning抄録（全訳）
目的このリスクを早く見つけるため、解釈可能な機械学習を用いたモデルを作り、検証した。
方法：単施設の後ろ向き研究である。対象は、2023年7月〜2025年12月に入院した新規診断の肺がん患者で、その臨床データを集めた。重要な予測因子は、二つの手法を組み合わせて選んだ。一つは LASSO（least absolute shrinkage and selection operator）回帰、もう一つは Boruta アルゴリズムである。作ったモデルは4種類で、ロジスティック回帰（LR）、ランダムフォレスト（RF）、XGBoost（extreme gradient boosting）、サポートベクターマシン（SVM）である。性能は三つの方法で評価した。受信者動作特性曲線下面積（AUC-ROC）、キャリブレーション曲線、決定曲線分析（DCA）である。さらに SHAP（SHapley Additive exPlanations）値を使い、モデルがどう判断しているかを解釈した。
結果：新規診断の肺がん患者 1,001 例を対象とした。悪化群は 121 例（12.1%）、非悪化群は 880 例（87.9%）であった。特徴量選択の結果、中核となる予測変数が5つ特定された。日常生活動作（ADL）スコア、リンパ球数、C 反応性タンパク（CRP）、呼吸数、好中球数である。内部検証セットで観察された AUC が最も高かったのは SVM モデルであった。AUC は 0.822（95% 信頼区間 0.737〜0.899）であった。感度は 0.750（95% 信頼区間 0.594〜0.893）、特異度は 0.792（95% 信頼区間 0.740〜0.838）であった。Platt スケーリングで較正した後の Brier スコアは 0.083 であった（Hosmer-Lemeshow 検定 P = 0.649）。較正の切片は 0.141、傾きは 1.126 であった。予測リスクと実際のリスクの一致は満足できる水準であった。決定曲線分析（DCA）では、臨床的な正味の利益が得られる可能性が示された。SHAP 解析と多変量回帰の結果は一貫していた。ADL スコアとリンパ球数は臨床的悪化のリスク低下と関連していた。一方、CRP と好中球数はリスク上昇と関連していた。 結論このモデルは、医療者がリスクを早期に把握するのに役立つ可能性がある。臨床判断の支援にもつながる可能性がある。
掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）書誌：Li H, Li Y, Huang X, Zhang Z, Liu Q, Chen Q. Development and internal validation of a predictive model for clinical deterioration in newly diagnosed lung cancer patients based on interpretable machine learning. Front Med. 2026 Oct 7;13:1947529. doi:10.3389/fmed.2026.1947529.確認の範囲：抄録のみ確認 - Comparative Evaluation of Machine Learning and Parametric Survival Modelling in Cost-Effectiveness Analysis: A Case Study of First-Line Pembrolizumab Plus Chemotherapy for Non-Small Cell Lung Cancer in India抄録（全訳）
目的：がん領域の費用対効果分析（CEA）では、生存曲線をどう外挿するかで結果が大きく変わる。従来のパラメトリック法には、非比例ハザードのもとで限界があることが知られている。非比例ハザードは、免疫チェックポイント阻害薬でよく見られる。本研究では KEYNOTE-189 のデータを使い、機械学習（ML）による生存モデルがパラメトリック外挿の有用な代替になるかを検証した。あわせて、生存モデルの選び方が増分費用効果比（ICER）にどれだけ影響するかを定量した。評価対象は、進行非小細胞肺がん（NSCLC）に対する一次治療のペムブロリズマブ＋化学療法である。分析はインドの医療制度の立場で行った。
方法：公表された Kaplan–Meier 曲線から、Guyot アルゴリズムで個々の患者データを再構築した。当てはめたモデルは、5種類のパラメトリック分布と2種類の ML 手法である。ML 手法は、ランダムサバイバルフォレスト（RSF）と、elastic-net 正則化を用いた罰則付き Cox 回帰である。モデルの比較には、学習に使わずに取り分けたテストセットを用いた。指標は Harrell の C 統計量と統合 Brier スコア（IBS）である。生涯の費用と質調整生存年（QALY）は、3状態のマルコフモデルで推定した。3 状態マルコフモデルには、生存モデルから導いた遷移確率、インドの薬剤購入費用、公表済みの EQ-5D 効用値を入力した。不確実性は、確率的感度分析（PSA）、決定論的感度分析、完全情報の期待値（EVPI）で評価した。
結果：RSF の C 統計量は 0.641、IBS は 0.1748 であった。RSF の成績は、最も成績のよいパラメトリックモデル（対数ロジスティック、対数正規）と同程度であった。従来よく選ばれる Weibull 分布（C = 0.638）よりは、わずかに上回った。基本分析の ICER は、Weibull に基づく遷移確率では 1 QALY あたり ₹1,05,51,767 であった。RSF に基づく遷移確率では ₹97,96,723 で、7.2% 低かった。PSA は 10,000 回繰り返した。閾値 ₹5,00,000/QALY で費用対効果に優れる確率は、どちらのモデルでもほぼゼロであった。集団 EVPI は、この閾値ではごくわずかであった。ただし ₹1.06 crore/QALY 付近で最大となり、約 ₹34,773 crore に達した。ICER の不確実性を最も大きく左右したのは薬剤購入費用であった。生存モデルの選択は、検討した7つのパラメータのなかで3番目であった。
結論：ML による生存モデルは、標準的なパラメトリック分布より予測精度をわずかに、しかし一貫して高めた。その結果、推定 ICER は無視できない程度に下がった。ペムブロリズマブ＋化学療法は、インドの現行価格では費用対効果に優れない。償還判断に関わるこの結論は、生存モデルを替えても変わらなかった。ただし、費用対効果に優れる水準に必要な値下げ幅は、手法によって異なった。がん領域の医療技術評価では、生存モデルの選択を構造的不確実性として明示的に検討する価値がある。非比例ハザードを示す治療では、特にそうである。
掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）書誌：[No authors listed]. Comparative Evaluation of Machine Learning and Parametric Survival Modelling in Cost-Effectiveness Analysis: A Case Study of First-Line Pembrolizumab Plus Chemotherapy for Non-Small Cell Lung Cancer in India. Journal of chemical health risks. [Epub ahead of print]. doi:.確認の範囲：抄録のみ確認