AIとがん研究 ── 膀胱がん ── 2026-10-30
膀胱がんの治療・治験とAI
- Evaluation of Patient Information Provided by Artificial Intelligence Chatbots on Intravesical BCG Therapy for Bladder Cancer: A Cross-Sectional Methodological Study抄録（全訳）
目的：人工知能（AI）チャットボットは、手軽に使える医療情報源として利用が広がっている。しかし、AI が作る健康情報には懸念が残る。懸念の対象は、質、信頼性、読みやすさ、臨床での使いやすさである。カルメット・ゲラン桿菌（BCG）の膀胱内注入療法は、中リスクと高リスクの筋層非浸潤性膀胱がん（NMIBC）に対する標準的な補助療法である。この治療では、患者が治療の手順と起こりうる有害事象を十分に理解する必要がある。本研究の目的は、よく使われる AI チャットボットが BCG 膀胱内注入療法について示す情報を評価することである。評価項目は、質、信頼性、読みやすさ、ガイドラインへの準拠とした。
方法：横断的な方法論研究として、4 つの AI チャットボットの回答を評価した。対象は ChatGPT、Copilot、Gemini、Perplexity である。各チャットボットには、BCG 膀胱内注入療法に関する標準化した質問を入力した。回答は泌尿器科医 5 人がそれぞれ独立に評価した。評価には、妥当性が確認された指標を用いた。指標は DISCERN、PEMAT-P、WRR、Coleman-Liau Index（CLI）などである。欧州泌尿器科学会（EAU）ガイドラインへの準拠は、5 段階のリッカート尺度で評価した。
結果：回答は 454〜550 語であった。回答を読むには、大学レベルの読解力が必要であった（CLI の範囲：16.02〜19.35）。DISCERN スコアでは、情報の質はどのチャットボットでも中程度であった。DISCERN スコアの中央値が数値上最も高かったのは、Gemini であった（51 [47〜59]）。PEMAT-P の実行可能性スコアは、総じて低かった（中央値 40%）。ガイドラインへの準拠は中程度であった。リッカートスコアの中央値は、すべてのチャットボットで 3 であった。
結論：AI チャットボットは、BCG 膀胱内注入療法について中程度の質の情報を提供する。ただし、読むには高い読解レベルが必要である。また、患者が実際の行動に移せる具体的な指針は少ない。AI が作る情報は患者教育の助けになりうる。しかし、医師による説明の代わりにすべきではない。
掲載誌の IF 相当：0.3（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）書誌：Zengin S, Boyaci C, Olgun A, Kutluay O, Gul A. Evaluation of Patient Information Provided by Artificial Intelligence Chatbots on Intravesical BCG Therapy for Bladder Cancer: A Cross-Sectional Methodological Study. New J Urol. 2026 Oct 28;21(3):131-7. doi:10.33719/nju1929548.確認の範囲：抄録のみ確認 - Development and validation of a machine learning-based model for predicting survival in patients with bladder neuroendocrine carcinoma: a large retrospective study抄録（全訳）
背景：膀胱神経内分泌がん（BNEC）はまれだが、悪性度が非常に高く、予後はきわめて悪い。現行の TNM 病期分類では、予後について得られる情報が限られる。また、検証された予後予測ツールもない。本研究の目的は、大規模な集団データを使い、BNEC 患者の生存を個別に予測する機械学習（ML）モデルを作って検証することである。
方法：2004〜2021 年に病理学的に確定診断された BNEC 患者のデータを用いた。データは米国の Surveillance, Epidemiology, and End Results（SEER）データベースから抽出した。単変量と多変量の Cox 回帰分析で、独立した予後因子を特定した。これらの因子をもとに、訓練セット（全体の 70%）で 8 つの機械学習モデルを構築した。モデルは、ランダムフォレスト（RF）、勾配ブースティングマシン（GBM）、LASSO-Cox、CoxBoost、サポートベクターマシン（SVM）、XGBoost、SuperPC、plsRcox である。モデルの性能は、検証セット（全体の 30%）で総合的に評価した。評価には、C 指数、時間依存性の受信者動作特性（ROC）曲線、較正曲線、決定曲線分析（DCA）を用いた。
結果：最終解析の対象は BNEC 患者計 2117 例であった。多変量解析で、次の項目が独立した予後因子であった。年齢 74 歳超（ハザード比 1.51、P < 0.001）、男性（ハザード比 1.17、P = 0.038）、進行した T 病期（T2〜T4）、リンパ節転移陽性（N1〜N2）、遠隔転移（M1、ハザード比 1.99、P < 0.001）である。手術も独立した予後因子であり、経尿道的膀胱腫瘍切除術（TURBT）のハザード比は 0.75（P = 0.017）であった。根治的膀胱摘除術〔RC〕：ハザード比 0.36、P < 0.001）。放射線療法（ハザード比 0.79、P = 0.002）と化学療法（ハザード比 0.43、P < 0.001）も、独立した予後因子であった。8 つのモデルのうち、訓練セットと検証セットの両方で最も性能が高かったのは GBM であった。曲線下面積（AUC）は、訓練セット/検証セットの順に、1 年生存の予測で 0.846/0.737 であった。3 年生存の予測では 0.825/0.730、5 年生存では 0.816/0.742 であった。DCA では、幅広い閾値確率にわたって、より大きな臨床的正味利益が示された。較正曲線では、予測した結果と実際の結果がよく一致した。GBM から得たリスクスコアで層別化すると、高リスク群と低リスク群の生存に有意な差がみられた（P < 0.0001）。
結論：GBM による機械学習の予後モデルは、BNEC 患者の生存を予測するうえで比較的良好な性能を示した。このモデルは、患者ごとの予後評価とリスク層別化に役立つ可能性がある。ただし、多施設の前向きコホートでさらに検証する必要がある。
掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Qi S, Dong W, Shi Z, Sun Y, Zhang D, Liu C, et al. Development and validation of a machine learning-based model for predicting survival in patients with bladder neuroendocrine carcinoma: a large retrospective study. Front Oncol. 2026 Oct 27;16:1956255. doi:10.3389/fonc.2026.1956255.確認の範囲：抄録のみ確認