機械学習モデルを用いて頭部外傷後の退院時転帰を予測する

概要

緒言
頭部外傷後の正確な転帰予測は、最適な治療方針を決めるにあたり、また重症例においては家族らの意思決定の援助などに際して重要である。しかし、実臨床においては現状の頭部外傷後の転帰予測が正確に行えていると認識している臨床 家は３７％だけであったとも報告されており、これまでに様々な転帰予測因子の有用性が研究されてきた。しかしまだ有効かつ包括的な頭部外傷後の転帰予測モデルは確立していない。

近年、AI の発達は著しく、医療の分野でも広く活用されつつある。しかしまだ頭部外傷の分野においては最新の機械学習モデルを用いた研究は乏しい。そこで今回、 救急の現場で現実的に収集可能な因子のみを用いて、簡便かつ正確な頭部外傷後の転帰予測を行う機械学習モデルの確立を試みた。加えて、その機械学習モデルから抽出される重要な転帰予測因子についても検討した。

方法対象
２０１３年１０月から２０１６年９月の間に、３次救命救急センターである兵庫県立加古川医療センターに入院を要した頭部外傷連続２６８症例を対象として後方視的に院内外傷データベースと電子カルテより因子を抽出した。全ての症例は非穿通性頭部外傷で、頭部CT で異常所見を認め入院加療を要した。来院時心肺停止、１０歳未満の若年、妊婦、必要データ不足の症例を除外した。

治療
救急外来へ搬送された全患者に、ガイドラインに準拠し標準化された初期治療が行われた。全身安定化の後すぐに CT が撮影された。頭部 CT で５ｍｍ以上の正中偏位を伴う症例や、５ｍｍ未満の正中偏位でも Glasgow coma scale (GCS) が８未満の意識障害や瞳孔異常所見が認められるような重傷頭部外傷症例は、CT 撮影後すぐに初療室で緊急穿頭術が行われ、可及的な血腫の排出とともに脳実質内へ intracranial pressure (ICP) センサーの挿入が行われた。その後必要に応じてすぐに手術室で開頭血腫除去術が行われた。術中に脳腫脹が著明な症例には外減圧術も追加された。これらの外科的治療の適応と考えられる症例でも、すでに脳死状態である場合や他部位の重症外傷により呼吸循環動態が非常に不安定な症例、家族が積極的治療を希望しなかった場合は、上記の緊急手術は行われなかった。初療での治療後は ICP 管理を第一とする内科治療を行い、さらに ICP 亢進があれば外科的治療を追加する方針とした。

転帰予測因子
過去の報告などから、以下１４の転帰予測因子を機械学習モデルの学習に使用した。その１４因子は、搬送時の年齢、GCS、瞳孔異常所見の有無、収縮期血圧、頭蓋外重症外傷の有無、頭部 CT 所見、生化学的検査のうち血糖値、C-reactive protein (CRP)、fibrin/fibrinogen degradation products (FDP) とした。生化学的検査は来院時の検体を用い、頭部 CT 所見は受傷翌日までのすべての CT を対象として、急性硬膜下血腫、急性硬膜外血腫、外傷性くも膜下出血、脳挫傷、頭蓋骨骨折それぞれの所見の有無と、Marshall CT 分類とした。頭蓋外重症外傷は、胸部・腹部・骨盤部・四肢における Aabbreviated injury scale score ３以上の外傷とした。

機械学習モデルの作成
機械学習アルゴリズムは、プログラミング言語 Python で比較的簡易に使用可能 な、Ridge regression とleast absolute shrinkage and selection operator (LASSO) regression, random forest, gradient boosting, extra trees, decision tree, Gaussian naïve Bayes, multinomial naïve Bayes, support vector machine (SVM) の９つのアルゴリズムを用いて比較した。症例データはランダムに分割して、８割を訓練用データ、 ２割をテスト用データとした。訓練用データで cross-validation 法を用いてアルゴリ ズムのパラメーターの最適な組み合わせを探索し調整した。

モデルの比較
パラメーターの最適化の後、それぞれのアルゴリズムでまずは訓練用データにおける転帰の予測を行った。その転帰予測の感度、特異度、正答率、receiver operating characteristic (ROC) 曲線下面積（AUC）をそれぞれ計算し、それぞれの値が最も高かったモデルを用いて、テストデータの転帰予測も行った。テストデータの転帰予測に際しては、bootstrap method も用いて、感度、特異度、正答率、AUCとそれぞれの９５％信頼区間を算出した。また、アルゴリズムが重要視した因子についても検討した。

転帰
転帰は、退院時の Glasgow Outcome Score (GOS) で評価した。GOS １－３（死亡、植物状態、重度障害）を転帰不良と規定し、退院時死亡と退院時転帰不良をそれぞれ予測対象とした。

結果
対象母集団
全頭部外傷症例２６８例の内、来院時 CPA（１５例）、若年（２例）、妊婦（２例）、瞳孔所見不足（２例）、FDP の検査不足（１５例）の合計３６例が除外された。残る２３２症例が訓練用データとテストデータに分割された。症例は、平均年齢５９．４歳で１６ ９例（７２．８％）が男性、GCS 平均９．１で、約半数が GCS８以下の重症症例であった（表１）。頭部 CT の所見では、頭蓋骨骨折（５３．９％）、脳挫傷（４９．１％）が多かった。平均入院日数は２８．７日で、その間の死亡率は２６．３％で、７７．６％が退院時転帰不良であった。

退院時転帰不良の予測
まず訓練用データでの予測結果（表２、図２）は、感度最高が random forest の９ ７．２％、特異度最高が Gaussian naïve Bayes の８２．８％、正答率最高が gradient boosting の８７．５％、AUC 最高がSVM の０．８９４であった。それぞれの統計結果で最高値を示した上記の４モデルを用いてテスト用データの転帰予測を行うと、 random forest が正答率と AUC において最も良い予測性能であった（表３）。

退院時死亡の予測
まず訓練用データでの予測結果（表４、図 3）は、感度最高が ridge regressionの８５．１％、特異度最高が random forest の９９．３％、正答率最高が SVM の８９． ８％、AUC 最高が random forest の０．９６０であった。それぞれの統計結果で最高値を示した上記の３モデルを用いてテスト用データの転帰予測を行うと、ridge regression が感度と AUC において、最も良い予測性能であった（表５）。

因子重要度
退院時転帰不良と死亡の予測いずれにおいても比較的良い予測性能を示した random forest が重要視した因子を調べると、転帰不良に関しては、年齢、GCS、 FDP の順に重要度が高かった（図４A）。死亡に関しては、FDP、GCS、瞳孔異常所見の順に重要度が高かった（図４B）。CT 所見では、Marshal CT 分類が最も重要度が高かった。

考察
今研究より、最新の機械学習モデルを用いると頭部外傷後の転帰を比較的良好に予測できることが明らかとなった。転帰不良の予測は random forest が最も良い結果で、感度１００％、特異度７２．３％、正答率９１．７％、AUC ０．８９５であった。死亡の予測は ridge regression が最も良い結果で、感度８８．４％、特異度８８．２％、正答率８８．６％、AUC ０．８７５であった。Random forest による重要因子の抽出の結果、転帰不良予測と死亡予測のいずれにおいても、年齢、GCS、FDP、血糖値の重要度が高かった。

機械学習と頭部外傷について
最新の機械学習モデルを用いて頭部外傷の転帰予測を行った研究はまだ少ない。Rughani らは浅層 artificial neural network (ANN) アルゴリズムを用いて 11 因子で頭部外傷後の転帰予測を行っている。７７６９症例でモデルの訓練を行い、別の 100 症例でテストをして、院内死亡の予測結果は正答率８７．８％、AUC ０．８６と今研究と同等の結果であった。しかし、重要な因子である CT 所見や生化学的検査は因子に含まれていない。

Eftekhar らも浅層ANN アルゴリズムを用いて７因子で頭部外傷１２７１症例の転帰予測を行っている。 その結果、死亡の予測結果は今研究よりも良く、正答率９５． １％、AUC ０．９６５であった。しかし母集団の７．５％だけが GCS８未満の重症症例で軽症症例が多い母集団であることや、因子の計算方法が明記されていないこと、受傷から死亡を判定するまでの期間が明示されていないことなどが問題と考えられる。

Shi らも浅層 ANN アルゴリズムを用いて６つの因子で頭部外傷 16956 症例の院内死亡を予測している。その結果、院内死亡の予測の正答率９５．２％、AUC ０．８ ９６と、本研究よりも若干良い結果であった。しかし本研究と異なる点として、手術加療を行った症例のみを対象にしている点や慢性硬膜下血腫も対象としている点があげられる。また、モデルの学習因子として入院期間を用いており、初療時に使用できるモデルではないことも問題と考えられる。

制限
今研究の制限としては、まずサンプル数が多くないことが挙げられる。深層学習モデルを除けば、８０－５６０サンプルあれば必要なモデルの学習はできるとも報告されているが、やはりデータは多いほど機械学習モデルの性能は改善する。次に、貧血や低酸素の有無など重要な予測因子が含まれていない可能性がある。また、今研究のモデルの学習に用いたサンプルは約半数が重症頭部外傷であったため、軽症の頭部外傷の転帰予測は十分行えない可能性がある。対象母集団の分布が 異なる施設や治療方針が異なる施設での症例の転帰を予測できるかについても評価が必要である。

結論
今研究より、最新の機械学習モデルを用いると頭部外傷後の転帰を比較的良好に予測できることが明らかとなった。転帰不良の予測は random forest が、死亡の予測は ridge regression が最も良い結果で、いずれも正答率は約９０％であった。 Random forest による重要因子の抽出の結果、転帰不良予測と死亡予測のいずれにおいても、年齢、GCS、FDP、血糖値の重要度が高かった。

今後、AI はさらに発展していくことが予想され、より正確で信頼性の高いモデルが実装される可能性が高いが、正確な転帰予測が可能となっても、どうすればその転帰を改善できるかを AI は教えてくれない。AI が転帰不良だと予測した症例においても、その予測を乗り越えるべく、より良い治療を行うべく努力をする必要がある。