AIとがん研究 ── 肝臓がん ── 2026-11-09

対象誌と選び方は索引の頁に

肝臓がんの治療・治験とAI

• 周術期の日常臨床変数による、原発性肝がんの肝切除後の術後肺合併症リスク層別化：説明可能な機械学習モデルの開発と外部検証
  Development and external validation of an explainable machine learning model using routine perioperative clinical variables for postoperative pulmonary complication risk stratification after hepatectomy for primary liver cancer.
  Journal of gastrointestinal oncology · 2026-10-26 · 証拠の段階: 後ろ向きの観察（予測モデルの開発と外部検証）
  抄録（全訳）

  背景：術後肺合併症（PPC）は肝切除後によく起こる。原発性肝がん（PLC）の患者では、PPCは回復の遅れ、入院期間の延長、医療負担の増加と関連する。既存のPPCリスク評価法は、主に一般外科の患者集団をもとに作られている。そのため、肝切除に特有の周術期因子を十分に取り込めていない可能性がある。具体的には、手術の複雑さや術中の特徴などが挙げられる。本研究の目的は、PLC患者の肝切除後のPPCリスクを層別化する、説明可能な機械学習予測モデルを開発し、外部検証することである。

  方法：後ろ向きの予測モデル開発・検証研究である。対象は、中国の三次病院で待機的肝切除を受けた成人のPLC患者906例である。対象は、待機的肝切除を受け、PLCと病理学的に確定した成人の連続症例である。次のいずれかに該当する患者は除外した。術前の肺感染、緊急手術、切除を伴わない手術、術前の重度の臓器不全、他の悪性腫瘍の合併、主要な臨床データの欠損である。開発コホートは、訓練コホート（n=635）と内部テストコホート（n=271）に無作為に分けた。独立した外部検証コホートには、別の病院の388例を含めた。候補となる予測因子は、周術期の日常診療で得られた電子カルテ（EMR）から取得した。人口統計学的特徴、併存疾患、検査値、腫瘍関連の特徴、術中変数である。欠損した予測因子は、連鎖方程式による多重代入法（MICE）で補完した。PPCは欧州周術期臨床アウトカム（EPCO）基準で定義し、術後30日以内に評価した。特徴量の選択には、LASSO（least absolute shrinkage and selection operator）回帰と、ランダムフォレスト再帰的特徴量削減（RF-RFE）を用いた。訓練コホート内の交差検証により、8種類の機械学習アルゴリズムを構築した。評価は、識別能、適合率・再現率の性能、較正、分類性能、決定曲線分析（DCA）に基づいて行った。モデルの解釈可能性は、SHAP（Shapley Additive Explanations）で評価した。

  結果：開発コホート906例のうち、131例（14.5%）にPPCが起きた。外部検証コホートでは、388例中66例（17.0%）にPPCが起きた。評価したアルゴリズムのうち、性能のバランスが最もよかったのはナイーブベイズ（NB）モデルである。内部テストコホートでのNBの成績は次のとおりである。曲線下面積（AUC）0.851（95% 信頼区間 0.767〜0.934）、適合率・再現率曲線下面積（PR-AUC）0.668（95% 信頼区間 0.485〜0.798）、感度71.1%、特異度90.6%、ブライアスコア0.075。外部検証コホートでも、NBは一貫した性能を保った。外部検証コホートでのNBは、AUC 0.861（95%信頼区間 0.810〜0.911）、PR-AUC 0.650（95%信頼区間 0.516〜0.759）、感度63.6%、特異度86.0%、ブライアスコア0.094である。SHAP解析により、個々の患者のPPCリスク予測に大きく寄与する因子が特定された。年齢、術中の輸血、肝門部遮断（portal triad clamping）の時間である。

  結論：PLC患者の肝切除後のPPCリスクを層別化するため、NBに基づく説明可能な機械学習モデルを開発し、外部で評価した。このモデルは、識別能、適合率・再現率の性能、較正が一貫しており、臨床的有用性の可能性も示された。術後の呼吸監視を強化すれば利益を得られる可能性のある患者を、見つける助けになりうる。より広く臨床に導入する前に、前向きの多施設検証と、臨床への影響を調べる研究が必要である。

  掲載誌の IF 相当：2.0（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）
  書誌：Lu L, Ma Y, Li Q. Development and external validation of an explainable machine learning model using routine perioperative clinical variables for postoperative pulmonary complication risk stratification after hepatectomy for primary liver cancer. J Gastrointest Oncol. 2026 Oct;17(5):301-1. doi:10.21037/jgo-2026-0702.
  確認の範囲：抄録のみ確認

← この号の目次へ