機械学習ツールが股関節骨折リスク予測で既存サービスを凌駕
スウェーデンで行われた研究で、機械学習に基づく臨床意思決定支援ツールが、電子カルテデータから股関節骨折リスクを予測する上で、従来の骨折リエゾンサービス（FLS）よりも有意に高い感度を示すことが明らかになりました。この成果は、2025年の米国骨ミネラル学会（ASBMR）年次総会で発表されました。
ツールの主な利点と精度
患者接触不要: マティアス・ロレンツォン医師（スウェーデン・サールグレンスカ大学病院骨粗鬆症クリニック）は、患者との接触が不要である点が他の予測アプローチに比べて大きな利点だと述べました。
高精度な予測:
機械学習モデルは、2年間の骨折リスク予測においてAUC（Area Under the Curve）0.88を達成。
一方、過去1年間に骨折を経験した人をスクリーニングするFLSアプローチではAUC 0.55でした。
高感度: 2年間の時点で、機械学習モデルはFLSアプローチと比較して、骨折リスクのある個人を約7倍多く特定できる感度（0.84 vs 0.12）を示しました。
汎用性: このツールは、一般集団のスクリーニングや電子カルテへの実装により、高リスク患者の自動特定と股関節骨折率の低減に貢献する可能性があります。
研究の詳細
対象: 2011年から2013年にスウェーデンに居住し、50歳以上で骨粗鬆症治療薬の服用歴がない約350万人のデータ。
追跡期間: 2021年末まで追跡。
データ: 骨折、併存疾患、手術、社会経済的要因、死亡率、処方箋などを含む全国レジストリデータ（合計140,131変数）を分析。
予測に影響力の高い変数: 年齢、性別、処方箋数、婚姻状況、アルコール関連障害、抗認知症薬、過去2年間の入院日数などが挙げられました。
専門家からの評価と今後の課題
発表会に参加した専門家からは、研究の重要性が高く評価される一方で、いくつかの懸念と今後の課題が指摘されました。
診療室での個別患者への適用性: キール大学のクラウス・グリュアー教授は、集団研究における価値を認めつつも、個々の患者への予測因子の適用性について疑問を呈しました。ロレンツォン医師は、骨密度や他の個別リスク因子との比較検証が次のステップであると回答しました。
他の集団での検証: 他の集団での結果の検証の必要性についても質問があり、デンマークのレジストリデータでの外部検証を近く実施する予定であると述べられました。
- データベースの限界: グリュアー教授は、家族歴などの重要なデータがデータベースに欠けている可能性を指摘し、個別患者に対する予測モデルの関連性についてはさらなる検証が必要であると強調しました。
この研究は、スウェーデン研究評議会などから資金提供を受けました。
元記事：Fracture Risk Predicted via EMR Beats Standard FLS Approach