発熱時の敗血症・敗血症性ショックを早期予測する機械学習モデル：救急外来での診断精度向上へ

July 27, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Interpretable Machine Learning Model for Predicting Sepsis and Septic Shock Among Patients with Documented Fever at Emergency Department Triage Using Patients’ Historical Data
Journal of Medical Systems｜被引用数: 0（2026年7月27日時点）

セプシス（敗血症）とセプシス性ショック（敗血症性ショック）は、医療施設における死亡原因の上位を占める重大な病態です。早期発見と迅速な治療が対象者の予後を大きく左右しますが、既存の評価システムには課題がありました。本記事では、この課題に対し、救急外来でのトリアージ時における発熱を伴う対象者の縦断的データを用いた、解釈可能な機械学習ベースの予測スコアリングシステム「SSITスコア」を開発した最新研究について詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	救急外来トリアージ時に利用可能なデータと既存の縦断データを活用するため、臨床現場での実用性が高いです。
Ethical倫理面	過去データを匿名化して使用し、施設倫理委員会の承認を得て実施されており、倫理的配慮がなされています。
Interesting面白さ	既存モデルが捉えきれなかった縦断的データを活用し、発熱対象者に特化して予測精度を向上させた点が興味深いです。
Novel新規性	発熱対象者に特化し、縦断的データを取り入れた解釈可能な機械学習ベースの予測スコアは新規性が高いです。
Relevant切実さ	敗血症・敗血症性ショックの早期発見と迅速な治療介入に繋がり、対象者の予後改善に大きく貢献します。
Measurable測定可能性	AUROC、感度、特異度、PPV、NPVといった客観的な指標を用いて予測性能を明確に評価しています。
Modifiable派生・改善	AutoScoreフレームワークを使用しており、臨床的なニーズに応じて変数の調整やスコアの改変が可能です。
Structured文章構造	研究デザイン、方法論、結果、考察が明確に構成されており、研究の再現性も高いです。
PICO / PECO対象・介入・比較・結果	P: 救急外来での発熱を伴う成人対象者, I: SSITスコアによる予測, C: qSOFA, MEWS, O: 敗血症・敗血症性ショックの早期予測。

はじめに：敗血症・敗血症性ショックの早期発見の重要性

どうも、Beyond the Pixelです。セプシス（敗血症）とセプシス性ショック（敗血症性ショック）は、医療施設における死亡原因の上位を占める重大な病態です。これらの状態の早期認識と迅速な治療開始は、対象者の予後を決定する上で極めて重要とされています。しかし、従来の臓器機能不全評価スケールであるSOFAスコアなどは、検査結果に依存するため、早期発見を遅らせる可能性があります。このため、トリアージ段階で利用可能なデータに基づいたスクリーニングツールの開発が求められてきました。現在広く用いられているqSOFAやMEWSといったスコアリングシステムは、救急外来での重症度評価に利用されていますが、その予測精度には限界があることが指摘されています。特に、多くの既存ツールや機械学習モデルは、救急外来受診時の単一時点のデータに基づいており、基礎疾患を持つ対象者が敗血症や敗血症性ショックを発症するリスクが高いという最近の研究報告があるにもかかわらず、過去の縦断的データを統合するモデルはほとんどありませんでした。本研究は、このような課題に対し、救急外来でのトリアージ時における発熱を伴う対象者の現在および過去の縦断的データを用いて、敗血症および敗血症性ショックを予測するための、解釈可能な機械学習ベースの新たなスコアリングシステムを開発することを目的としました。この新たなスコアリングシステムは、既存のスコアと比較してその有効性が評価されています。本記事では、この重要な研究について、医療画像インフォマティクスおよびシニアサイエンスライターの専門家の視点から、わかりやすく解説していきます。

新たな予測スコア「SSIT」とは？

本研究で開発されたのは「SSIT（Septic Shock Index at Triage）スコア」と呼ばれる新しい予測システムです。これは、救急外来トリアージ段階で発熱を伴う対象者の敗血症および敗血症性ショックを予測するために設計されました。

**Table 1.** Table 1 Baseline characteristics of patients解説: 対象者のベースライン特性を、敗血症性ショック、敗血症、その他の発熱群の3つのグループに分けて示しています。年齢、性別、初期バイタルサイン、意識状態、搬送方法、基礎疾患、ベースラインの臨床検査値、MEWSスコア、qSOFAスコアなど、各グループ間で統計的に有意な差があることが示されており、臨床的な重症度が増すにつれてこれらの特性が変化することがわかります。

この研究は、韓国の三次医療機関の救急外来を受診した成人対象者を対象とした単一施設の後ろ向き研究であり、2016年1月から2021年12月までの期間に発熱（体温38.0°C以上）が記録された対象者が含まれています。外傷関連の受診や心停止、到着時死亡の対象者は除外されました。最終的に26,384人の発熱性成人対象者が研究に組み入れられ、そのうち5,238人（19.9%）が敗血症、887人（3.4%）が敗血症性ショックと診断されました。

SSITスコアの開発には、AutoScoreフレームワークという機械学習ベースのスコアリングジェネレーターが用いられました。このフレームワークは、変数選択、ポイントベースのスコアリングモデル生成、臨床的微調整、モデル検証の6つのモジュールから構成されています。モデルには、初期バイタルサイン、年齢、ベースライン血小板数、総ビリルビン、クレアチニンレベルを含む9つの変数が組み込まれ、最大スコアは29点です。これら9つの変数には、初期収縮期血圧、初期拡張期血圧、初期脈拍数、初期呼吸数、初期体温、年齢、ベースラインの血小板数、クレアチニン値、総ビリルビン値が含まれます。特に、初期収縮期血圧が最も重要な予測因子として特定されました。SSITスコアリングシステムは、これらの変数を活用して、救急外来トリアージにおける対象者の重症度を早期に評価します（論文のTable 2に詳細なスコアリングシステムが示されています）。

既存スコアとの比較：SSITスコアの優れた予測性能

開発されたSSITスコアの予測性能は、AUROC（受信者動作特性曲線下面積）を用いて評価され、既存のqSOFAおよびMEWSスコアと比較されました。AUROC値は予測モデルの識別能力を示し、値が高いほど性能が優れていることを意味します。

**Table 3.** Table 3 summarizes the predictive performance of the SSIT, qSOFA, and MEWS scoring systems. For septic shock prediction, the SSIT score (cutoff ≥ 9) showed the highest AUROC at 0.844 (95% CI, 0.812–0.875), with a sensitiv ity of 0.807 (0.742–0.865) and specificity of 0.734 (0.722– 0.746). In comparison, MEWS ≥ 5 had an AUROC of 0.678 (0.658–0.697), and qSOFA ≥ 2 had the lowest AUROC of 0.605 (0.585–0.625) (Fig. 2a). For sepsis prediction, the SSIT score (cutoff ≥ 7) outper formed the other tools with an AUROC of 0.703 (0.687– 0.720), sensitivity of 0.713 (0.688–0.739), and specificity of 0.570 (0.555–0.586). MEWS ≥ 5 demonstrated an AUROC of 0.576 (0.568–0.585), and qSOFA ≥ 2 showed limited解説: SSIT、qSOFA、MEWSの各スコアリングシステムの敗血症および敗血症性ショック予測におけるAUROC値、感度、特異度をまとめた表です。敗血症性ショック予測ではSSITのAUROCが0.844と最も高く、敗血症予測でもSSITのAUROCが0.703と最も高い性能を示しています。SSITスコアが両方の状態において、既存のMEWSおよびqSOFAよりも優れた予測性能を持つことが示されています。

敗血症性ショック予測における優位性

敗血症性ショックの予測において、SSITスコアはカットオフ値9以上でAUROCが0.844（95%信頼区間: 0.812-0.875）を示し、感度0.807、特異度0.734という高い性能を達成しました。これに対し、qSOFA（カットオフ値2以上）のAUROCは0.605、MEWS（カットオフ値5以上）のAUROCは0.678であり、SSITスコアが既存のスコアよりも大幅に優れた予測性能を持つことが示されました。

**Figure 2.** Fig. 2 Receiver operating characteristics (ROC) curve for the different prediction scoring systems on test data set: (a) for predicting septic shock (b) for predicting the sepsis (a) ROC curves were plotted using predefined cutoffs for MEWS ≥ 5 (AUC 0.68) and qSOFA ≥ 2 (AUC 0.60), and the optimal cutoff for SSIT that yielded the maximum AUC (≥ 9, AUC 0.84) for predicting septic shock (b) ROC curves were plot ted using predefined cutoffs for MEWS ≥ 5 (AUC 0.58) and qSOFA ≥ 2解説: テストデータセットにおける異なる予測スコアリングシステム（MEWS、SSIT、qSOFA）の受信者動作特性（ROC）曲線を示しています。(a)は敗血症性ショック予測の場合で、SSITのAUCは0.84、MEWSは0.68、qSOFAは0.60です。(b)は敗血症予測の場合で、SSITのAUCは0.70、MEWSは0.58、qSOFAは0.54です。SSITスコアが他の2つのスコアよりも高いAUC値を示し、優れた予測性能を持つことが視覚的にわかります。

a図は、敗血症性ショック予測における各スコアのROC曲線を示しており、SSITスコアの曲線が他のスコアよりも左上方に位置し、その高い性能を裏付けています。

敗血症予測における優位性

敗血症の予測においても、SSITスコアはカットオフ値7以上でAUROCが0.703（95%信頼区間: 0.687-0.720）となり、感度0.713、特異度0.570を達成しました。MEWS（カットオフ値5以上）のAUROCは0.576、qSOFA（カットオフ値2以上）のAUROCは0.544と、SSITスコアがここでも優位性を示しました。（図2）b図は、敗血症予測における各スコアのROC曲線であり、同様にSSITスコアが優れた性能を示しています。

臨床的有用性の評価

また、本研究では、同等の特異度レベル（0.50から0.95の範囲）での感度を比較しました。

**Table 4.** Table 4 Comparison of accuracy of SSIT and MEWS for septic shock with similar specificity points on test data set Speci ficity (cutoffs)**解説:** テストデータセットにおいて、同等の特異度ポイントでのSSITとMEWSの敗血症性ショック予測における精度を比較した表です。様々な特異度カットオフ（0.5から0.95）において、SSITはMEWSと比較して一貫して高い感度を示しており、同等の陰性適中率（NPV）を維持していることが示されています。

その結果、SSITスコアはMEWSと比較して、全ての特異度カットオフにおいて一貫して高い感度を示しました。さらに、決定曲線分析（DCA）によって、SSITスコアの臨床的有用性と純便益が評価されました。

**Figure 3.** Fig. 3 Decision curve analysis of SSIT for predicting septic shock (a) and sepsis (b) (a) For septic shock, SSIT showed higher net benefit than ‘treat all’ and ‘treat none’ strategies across the displayed thresh old probability range. A SSIT score of ≥ 9 corresponded to a threshold解説: SSITスコアの敗血症性ショック（a）と敗血症（b）予測における決定曲線分析（DCA）を示しています。(a)敗血症性ショックの場合、SSITは「全員治療」および「誰も治療しない」戦略と比較して、表示された閾値確率範囲全体でより高い純便益を示しています。(b)敗血症の場合も同様に、SSITは「全員治療」および「誰も治療しない」戦略と比較して、表示された閾値確率範囲全体でより高い純便益を示しており、臨床的有用性があることを示唆しています。

a図とb図に示すように、SSITモデルは「全員を治療する」または「誰も治療しない」という戦略と比較して、幅広い閾値確率において優れた純便益を示すことが確認されました。これは、SSITスコアが救急外来の専門家がより情報に基づいた意思決定を行うことを支援し、高リスクの対象者を早期に特定しつつ、不必要な介入を最小限に抑えることを可能にすることを示唆しています。

SSITスコアの意義と今後の展望

本研究で開発されたSSITスコアは、救急外来でのトリアージ段階で利用可能な情報に、対象者の過去の縦断的データを取り入れることで、敗血症および敗血症性ショックの予測モデルを構築しました。特に、このモデルはトリアージ時に発熱（38.0°C以上）が確認された対象者に特化して開発された点が注目されます。これにより、救急外来全体ではなく、よりリスクの高い特定の対象者集団に焦点を当てた予測が可能になります。SSITは、既存のqSOFAやMEWSといったスコアと比較して、敗血症性ショックおよび敗血症の予測において優れた性能を示しました。

縦断的データの活用と「ベースライン血小板数」の重要性

慢性疾患を持つ対象者の多くは、定期的な通院を通じて過去の臨床検査データが利用可能です。しかし、多くのトリアージモデルは、この縦断的データを活用しきれていませんでした。SSITモデルは、過去の検査データ、特にベースライン血小板数、総ビリルビン、クレアチニンレベルといった情報を取り入れることで、トリアージ時の予測性能を向上させています。これは、既往の対象者データを利用して敗血症性ショックを早期に特定することの臨床的価値を強調するものです。

注目すべきは、ベースライン血小板数が敗血症および敗血症性ショックの予測因子として含まれている点です。初期バイタルサイン（収縮期血圧、脈拍数、拡張期血圧）に加え、ベースライン血小板数が最も重要な変数の一つとして特定されました。これは、血小板と血小板機能に関連する因子が、サイトカイン調節や宿主免疫において重要な役割を果たすという先行研究と一致しており、この研究のユニークな発見と言えます。

研究の限界と将来の課題

本研究にはいくつかの限界があります。第一に、韓国の単一の三次医療施設で実施された研究であるため、その結果の一般化可能性には限界があるかもしれません。しかし、対象施設の規模や診療の多様性を考慮すると、一定の臨床スペクトルを反映していると考えられます。第二に、対象者の過去の検査結果（ベースラインデータ）が利用できない場合、モデルは正常値を仮定してスコアリングするため、そのようなケースでは診断精度が低下する可能性があります。このアプローチはSepsis-3ガイドラインとも整合していますが、実際の臨床現場での精度と適用性については、さらなる研究が必要です。最後に、本研究ではトリアージ時に体温が38.0°C以上の対象者のみを対象としたため、発熱を伴わない敗血症のケースには適用できない可能性があります。今後は、外部検証や発熱を伴わないケースでの評価を含め、さらなる研究が実施されることが期待されます。

用語集

AUROC: 予測モデルの性能を評価する指標で、曲線下面積が大きいほど予測性能が良いことを示します。
qSOFA: 敗血症の簡易スクリーニングスコアで、意識状態の変化、呼吸数、収縮期血圧の3つの基準で評価します。
MEWS: 対象者の状態悪化を早期に察知するための警告スコアで、バイタルサインと意識状態を用いて算出されます。
AutoScoreフレームワーク: 機械学習に基づいて、臨床データを活用し、解釈可能なスコアリングシステムを自動的に生成する手法です。
敗血症（Sepsis）: 感染症に起因し、臓器機能不全を引き起こす、生命を脅かす病態です。
敗血症性ショック（Septic shock）: 敗血症の中でも血圧が維持できず、臓器への血流が不足し、重篤な臓器灌流障害を伴う状態を指します。
縦断的データ: 同じ対象者から異なる時点にわたって繰り返し収集されたデータで、時間経過による変化を分析できます。
トリアージ: 救急外来において、対象者の緊急度や重症度に基づいて治療の優先順位を決定することです。
感度: 実際に病気である対象者を、予測モデルが正しく病気と判定できる割合を示します。
特異度: 実際に病気でない対象者を、予測モデルが正しく病気でないと判定できる割合を示します。
決定曲線分析（DCA）: 予測モデルの臨床的な有用性や、異なる介入閾値における純便益を評価する手法です。
ベースラインデータ: 対象者の過去の病歴や検査結果など、現在の状態と比較するための基準となる初期データです。