ICUでのリアルタイム検査値予測が腎代替療法（RRT）の早期予測精度を向上

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: Continuous imputation of blood gas and metabolic panel laboratory values in the intensive care unit using machine learning
Journal of Clinical Monitoring and Computing｜被引用数: 0（2026年7月27日時点）

本記事では、集中治療室（ICU）における重症対象者の動脈血ガス（ABG）および基本代謝パネル（BMP）の検査値を、機械学習モデルを用いて1時間ごとに連続的に予測する画期的な研究について解説します。このリアルタイム予測モデルが、検査値の欠損を補完し、さらに腎代替療法（RRT）の必要性の早期予測において、深層学習モデルの性能を大幅に向上させることを示します。これにより、不必要な検査の削減、臨床的悪化の早期認識、そしてより迅速な治療介入への貢献が期待されます。

研究サマリー（FINER & PICO）

Feasible実施可能性	大規模な公開匿名化データベースMIMIC-IVを用いて後向きコホート研究として実施され、データ収集は現実的に可能でした。
Ethical倫理面	既存の匿名化されたMIMIC-IVデータベースを使用し、倫理審査委員会によりレビュー免除および対象者同意不要と判断されました。
Interesting面白さ	機械学習によるリアルタイム検査値推定が、重症対象者の臨床的悪化の早期認識と介入を支援し、転帰を改善する可能性を示唆します。
Novel新規性	各検査値に個別の機械学習モデルを訓練し、その推定値が深層学習モデルの腎代替療法予測性能を改善する独自のアプローチです。
Relevant切実さ	集中治療室における不必要な検査の削減、医療費の抑制、およびデータ欠損による深層学習モデル性能の低下という臨床的課題に取り組んでいます。
Measurable測定可能性	モデル性能は平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、AUROC、AUPRCなどの客観的指標で定量的に評価されました。
Modifiable派生・改善	推定された検査値軌跡は、機械学習モデルのRRT予測性能を向上させ、より迅速な治療計画調整を可能にするかもしれません。
Structured文章構造	研究は、大規模な匿名化データセット、体系的なデータ前処理、勾配ブースティング決定木と双方向長短期記憶モデルを用いた階層的な予測モデル設計で構成されています。
PICO / PECO対象・介入・比較・結果	P: 重症対象者、I: 機械学習による動脈血ガスおよび基本代謝パネルの連続的な検査値補完、C: 以前の値持ち越し補完、O: 腎代替療法（RRT）の早期予測精度の向上。

集中治療室（ICU）における検査値測定の課題

どうも、Beyond the Pixelです。集中治療室（ICU）では、動脈血ガス分析（ABG）や基本代謝パネル（BMP）などの検査値が、対象者の呼吸機能、代謝状態、電解質バランスをモニタリングするために不可欠であり、診断や治療方針の約70%に影響を与えるとされています。これらの検査はICU滞在中に繰り返し実施されますが、最大50%の検査が正常値を示すという報告もあり、過剰な検査が医療費の増加や対象者への不必要な負担（病院獲得貧血、採血による感染リスク、不快感など）を引き起こす可能性があります。

**Table 1.** Table 1 Demographics and data distribution of MIMIC- IV datasets used in the study. Pre-Covid-19 era MIMIC-IV cohort corresponds to all patients prior to 2020, whereas Covid-19 era MIMIC-IV cohort consists of the portion of the MIMIC datasets during the pandemic (2020–2022)**解説:** 本表は、研究で使用されたMIMIC-IVデータセットの人口統計学的およびデータ分布特性をまとめたものです。COVID-19パンデミック前のコホート（2019年以前）とCOVID-19パンデミック中のコホート（2020～2022年）の合計ICU滞在数、年齢、性別、人種、腎代替療法（RRT）の必要性、ICU滞在期間の中央値と四分位範囲が示されています。

また、電子カルテ（EHR）データにおける検査値の欠損や不規則なサンプリングは、深層学習モデルの性能を低下させる主要な課題の一つです。

機械学習による検査値のリアルタイム補完の挑戦

この課題に対し、機械学習（ML）は、ルーティンで収集される多様なICUデータを用いて検査値をリアルタイムに推定する有望な戦略を提供します。本研究では、重症対象者における動脈血ガス（ABG）および基本代謝パネル（BMP）の検査値を1時間ごとに連続的に予測する機械学習モデルを開発しました。具体的には、乳酸、部分酸素圧（pO₂）、部分二酸化炭素圧（pCO₂）、重炭酸、塩基過剰、ヘモグロビン、ヘマトクリット、イオン化カルシウム、動脈血酸素飽和度を含む9種類のABG変数と、クレアチニン、グルコース、血中尿素窒素（BUN）、アニオンギャップ、ナトリウム、カリウム、塩化物、総カルシウム、総二酸化炭素を含む9種類のBMP変数を対象としました。これにより、(i) 不必要な検査の頻度を減らし、(ii) 臨床的悪化の早期認識を支援し、(iii) 人工呼吸器、輸液管理、昇圧剤のよりタイムリーな調整を可能にすることを目指しました。

モデル開発とデータセット

本研究では、米国マサチューセッツ州ボストンのBeth Israel Deaconess Medical Centerの、90,000件以上のICU入室記録を含む大規模な匿名化電子カルテデータセットであるMIMIC-IVデータベースを用いて、後向きコホート研究を実施しました。研究対象期間は2008年から2022年までで、特にCOVID-19パンデミック前（2008-2019年）とパンデミック中（2020-2022年）のコホートに分けてモデルの汎用性を評価しました。モデルの予測因子には、過去の検査値、投与された薬剤、臨床イベント、輸液入出力、血行動態、人工呼吸器設定など、多様な静的および動的データが組み込まれています。欠損値の扱いや外れ値処理には厳格な前処理手順が適用されました。データリークを防ぐため、対象者レベルでの訓練・検証・テスト分割を行い、予測時点の検査値情報は使用しないよう厳密に管理されました。

機械学習モデルの性能と臨床応用

検査値の予測モデルには勾配ブースティング決定木（XGBoost）が採用され、各ABGおよびBMP変数ごとに個別の回帰モデルが訓練されました。比較対象として、最後に測定された値を継続して使用する「以前の値持ち越し（previous-value carry-forward）」戦略が用いられました。予測精度は、平均絶対誤差（MAE）と二乗平均平方根誤差（RMSE）を用いて評価されました。その結果、XGBoostモデルは、すべての検査項目において、以前の値持ち越しによるベースラインを両コホートで一貫して上回る性能を示しました。具体的には、COVID-19パンデミック前のコホートでは、ABG変数でMAEが平均33%、RMSEが32%削減され、BMP変数ではMAEが19%、RMSEが21%削減されました。COVID-19パンデミック中のコホートでも同様の性能向上が確認されました。

**Figure 1.** Fig. 1 Error reduction for laboratory value prediction across two cohorts. Percent reduction in prediction error relative to a previous- value baseline for arterial blood gas (ABG) and basic metabolic panel (BMP) targets in the pre-COVID-19 era MIMIC-IV cohort (Panels A–B) and the COVID-19 era MIMIC-IV cohort (Panels C–D). For each analyte, filled markers indicate MAE reduction and open markers indicate RMSE reduction (higher values denote larger improvement). Variables are ordered within each panel by MAE reduction to highlight解説: 本図は、XGBoostモデルによる検査値予測における、以前の値持ち越し（previous-value baseline）に対する予測誤差（MAEおよびRMSE）の削減率を、2つのコホート（pre-COVID-19 era MIMIC-IVおよびCOVID-19 era MIMIC-IV）における動脈血ガス（ABG）および基本代謝パネル（BMP）の各変数について示しています。高い値は大きな改善を意味し、ABG変数ではヘモグロビンとヘマトクリットで、BMP変数ではBUNとクレアチニンで最も大きな改善が見られました。

特に、ヘモグロビン、ヘマトクリット、クレアチニン、血中尿素窒素（BUN）で大幅な誤差削減が見られました。予測された検査値は、観測された検査値と組み合わせることで、一次元カルマンフィルターを用いて連続的な検査値軌跡として再構築され、以前の値持ち越し戦略とは異なり、時間経過に伴う滑らかな変化を捉えることができました。

**Figure 2.** Fig. 2 Representative reconstructed laboratory trajectories in selected ICU stays. Time-series examples for lactate, pCO₂, and creatinine illustrate reconstruction of continuous laboratory trajectories by fusing observed measurements with XGBoost-predicted values using a one- dimensional Kalman filter. The Kalman-filtered trajectories closely follow observed values when available and provide smooth, physi**解説:** 本図は、乳酸、pCO₂、クレアチニンの代表的な検査値軌跡を再構築した例を示しています。カルマンフィルターを用いて観測された値とXGBoostによる予測値を統合することで、連続的な軌跡が生成され、観測値がある箇所ではそれに密接に追従し、測定値がない期間でも滑らかで生理学的に妥当な補間が提供されています。対照的に、以前の値持ち越しベースラインは、階段状の一定値を示しており、連続的な時間的パターンを捉えていません。

腎代替療法（RRT）予測への影響

このリアルタイムで推定された検査値の臨床的有用性を評価するため、研究対象者のICU入室後12時間以降に発生する腎代替療法（RRT）開始の早期予測モデルへの影響が調査されました。RRT予測モデルには、双方向長短期記憶（Bi-LSTM）ニューラルネットワークが用いられました。この深層学習モデルは、MLベースの1時間ごとの検査値推定値を用いた場合と、以前の値持ち越し戦略を用いた場合で性能が比較されました。その結果、MLベースの検査値推定値を用いたBi-LSTMモデルは、以前の値持ち越しを用いたモデルを上回り、RRT予測の識別性能が有意に向上しました。

**Figure 3.** Fig. 3 Discrimination performance for renal replacement therapy (RRT) initiation prediction. Receiver operating characteristic (ROC) curves and precision–recall (PR) curves for the Bi-LSTM model pre dicting subsequent RRT initiation after the initial 12 h of ICU admis sion, evaluated on the held-out test sets in the pre-COVID-19 era MIMIC-IV cohort and the COVID-19 era MIMIC-IV cohort. Curves compare models using previous-value (last observation carried for ward) laboratory imputation (Before) versus machine learning-based解説: 本図は、ICU入室後最初の12時間以降の腎代替療法（RRT）開始予測に関するBi-LSTMモデルの識別性能を示す受信者操作特性（ROC）曲線と精度-再現率（PR）曲線です。2つのコホート（pre-COVID-19 era MIMIC-IVおよびCOVID-19 era MIMIC-IV）において、MLベースの1時間ごとの検査値推定を用いたモデルが、以前の値持ち越しによる検査値補完を用いたモデルよりも高いAUROCおよびAUPRCを示し、RRT予測性能が向上していることを比較しています。

パンデミック前のコホートでは、MLベースモデルのAUROCは0.951（95% CI 0.942–0.960）、AUPRCは0.419（95% CI 0.375–0.465）であり、以前の値持ち越しモデル（AUROC 0.923、AUPRC 0.343）を大きく上回りました。この傾向はCOVID-19パンデミック中のコホートでも同様に観察されました。統合勾配（Integrated Gradients）法による特徴量重要度分析では、アニオンギャップ、クレアチニン、イオン化カルシウム、ヘモグロビン、塩化物、重炭酸、塩基過剰などの推定された検査値が、RRT開始リスクの予測において一貫して影響力の高い予測因子であることが示されました。

**Figure 4.** Fig. 4 Feature importance for deep learning model predicting need for renal replacement therapy using Integrated Gradients解説: 本図は、統合勾配（Integrated Gradients）法を用いて、腎代替療法（RRT）の必要性を予測する深層学習モデルにおける各特徴量（変数）の重要度を示しています。AはCOVID-19パンデミック前のコホート、BはCOVID-19パンデミック中のコホートにおける結果で、アニオンギャップ、クレアチニン、イオン化カルシウム、ヘモグロビンなどがRRT開始リスクの予測において一貫して影響力の高い予測因子であることが示されています。

研究の意義と今後の展望

本研究で開発された機械学習によるリアルタイム検査値補完モデルは、ICUにおけるABGおよびBMPの欠損データを高精度に推定する新たな道を開きました。これにより、不必要な検査の削減、臨床的悪化の早期認識、そしてタイムリーな治療介入の実現に貢献できる可能性が示されました。深層学習モデルの精度向上は、複雑なICUデータからより正確で個別化されたリスク予測を可能にし、最終的には対象者の転帰改善に繋がることが期待されます。しかし、本研究にはいくつかの限界点も存在します。例えば、カルシウムや総二酸化炭素の予測では改善が限定的でした。また、本研究はABGとBMPの検査値に限定されており、凝固検査や血球算定などの他の一般的に使用される検査項目も対象とする追加のモデル開発が今後必要です。さらに、MIMIC-IVコホートで訓練されたモデルの外部データセットでの検証が、その妥当性を確認するために不可欠です。これらの推定値が、実際に測定された検査値の代替として臨床で使用されるためには、さらなる検証と前向きな臨床評価が求められます。

用語集

ABG（動脈血ガス分析）: 動脈血から採取した血液を分析し、対象者の呼吸機能や代謝状態、酸素化の状態などを評価する重要な検査です。
BMP（基本代謝パネル）: 血液中の電解質、腎機能（クレアチニン、BUN）、血糖値などを測定し、基本的な代謝バランスを評価する検査のグループです。
RRT（腎代替療法）: 腎臓の機能が低下した際に、血液透析や血液ろ過などの方法で腎臓の働きを人工的に代替する治療法です。
機械学習（ML）: データからパターンを学習し、予測や意思決定を行うためのアルゴリズムや統計モデルの総称です。
深層学習（Deep Learning）: 多層のニューラルネットワークを用いる機械学習の一分野で、複雑なデータから高レベルの特徴を自動的に学習する能力を持ちます。
XGBoost: 勾配ブースティング決定木（Gradient Boosting Decision Trees）を効率的に実装した機械学習アルゴリズムで、高い予測性能で知られています。
Bi-LSTM（双方向長短期記憶）: 時系列データやシーケンスデータを処理するのに適した深層学習モデルであるリカレントニューラルネットワーク（RNN）の一種で、過去と未来の両方の情報を使用して学習します。
MAE（平均絶対誤差）: 予測値と実際の値の差の絶対値の平均で、予測の誤差の大きさを測る指標です。
RMSE（二乗平均平方根誤差）: 予測値と実際の値の差の二乗の平均の平方根で、誤差の大きさを測る指標の一つであり、特に大きな誤差に対して敏感です。
AUROC（受信者操作特性曲線下面積）: 分類モデルの性能を評価する指標で、真陽性率と偽陽性率の関係を示す曲線（ROC曲線）の下の面積です。値が高いほど識別性能が良いとされます。
AUPRC（精度-再現率曲線下面積）: 分類モデルの性能を評価する指標で、特にクラスの不均衡が大きい場合に有用な精度（適合率）と再現率の関係を示す曲線（PR曲線）の下の面積です。
カルマンフィルター: ノイズを含む時系列データから、システムの状態を推定するための再帰的なアルゴリズムで、予測値と観測値を統合してより正確な推定を行います。
統合勾配（Integrated Gradients）: 深層学習モデルの予測において、各入力特徴量がどの程度貢献したかを解釈するための手法の一つです。