AIとがん研究 ── 肝臓がん ── 2026-11-17
肝臓がんの治療・治験とAI
- Development and internal validation of a machine learning model for predicting acute chemotherapy-induced nausea and vomiting after intra-arterial interventional therapy in patients with liver cancer.抄録(全訳)
目的:原発性肝がんの患者で、動注インターベンション治療(IAIT)後に起こる急性の化学療法誘発性悪心・嘔吐(ACINV)を予測する。そのために、解釈可能な機械学習モデルを開発し、内部検証する。
方法:ACINV は、24 時間以内に起きた悪心または嘔吐のうち、有害事象共通用語規準(CTCAE)でグレード 2 以上のものと定義した。患者を学習セット(n = 638)と、別に取り分けた内部検証セット(n = 424)に分けた。七つのアルゴリズムを、入れ子の層別 5 分割交差検証で比べた。外側の分割からは、アウトオブフォールド(OOF)予測を得た。内側の分割は、チューニングと閾値の選択に使った。欠測値の補完、エンコーディング、標準化と LASSO(least absolute shrinkage and selection operator)による変数選択は、各分割の学習用データだけで当てはめた。LASSO のペナルティを選ぶ分割の中でも、前処理を推定し直した。SMOTE は予測因子の選択後に、モデルを当てはめる分割の中だけで使った。アルゴリズムは、統合した OOF の曲線下面積(AUC)で順位を付けた。同順位のときはブライアスコアで決めた。選んだパイプラインは学習セット全体で当てはめ直し、内部検証セットで評価した。
結果:最終的な当てはめ直しで、予測因子が 11 個残った。統合 OOF AUC が最も高かったのはランダムフォレストで、0.941(95% 信頼区間 0.923〜0.958)だった。ブライアスコアは 0.092 だった。内部検証では、AUC は 0.962(95% 信頼区間 0.946〜0.978)、ブライアスコアは 0.073 だった。較正切片は -0.090、較正傾きは 1.056 だった。モデルの解釈には Shapley 加法説明(SHAP)解析が役立った。固定したモデルは、試作の計算ツールに組み込んだ。
結論:モデルは内部検証で有望な性能を示した。臨床で使う前に、外部検証と、前向きに臨床への影響を評価する研究が必要である。 試験登録:
掲載誌の IF 相当:2.8(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-17 に取得。正式な IF(Clarivate)ではない)書誌:Lu Y, Zheng R, Yu H, Yang X, Liu Y, Wang Y, et al. Development and internal validation of a machine learning model for predicting acute chemotherapy-induced nausea and vomiting after intra-arterial interventional therapy in patients with liver cancer. Asia Pac J Oncol Nurs. 2026 Dec;13:101040. doi:10.1016/j.apjon.2026.101040. PMID: 43034587.確認の範囲:抄録のみ確認