Hoberstorferらは､ 癌関連静脈血栓塞栓症 (VTE) のリスク予測における機械学習モデルを開発･検証した｡ その結果､ 6種類のVTE予測機械学習モデルのうち､ 最も良好な識別能を示したのはロジスティック回帰モデルであった｡ 同モデルでは､ ホモ接合性第Ⅴ因子Leiden変異､ 直腸癌､ 精巣癌､ 膵癌､ 新規診断癌､ VTE既往などがVTEリスクに寄与していた｡ しかし､ その予測性能は既存のリスク評価モデル (RAM) と同程度にとどまり､ 明確な上乗せ効果は示されなかった｡ 本研究結果はESMO Open誌に発表された｡

📘原著論文

Prediction of cancer-associated thrombosis by machine learning: results from the Vienna Cancer and Thrombosis Study. ESMO Open. 2026 May 27;11(6):107764. Online ahead of print. PMID: 42202491

👨‍⚕️HOKUTO監修医コメント

機械学習モデルでは100回の交差検証に基づいて算出した一方､ 従来モデルでは台形公式による算出を行っており､ AUCや信頼区間の直接比較には限界があります｡

🔢関連コンテンツ

急性PTE･DVTに対する初期治療

肺血栓塞栓症および深部静脈血栓症の治療

Khoranaスコア

悪性腫瘍患者の静脈血栓症発症予測スコア

Padua 予測スコア

入院患者のVTE静脈血栓塞栓症発症リスク

背景

癌関連VTEのリスク予測には課題が残存

癌関連静脈血栓塞栓症 (VTE) のリスク予測は､ 臨床上の課題である｡ 本研究では､ 癌関連VTE予測における機械学習の利用を検討した｡

研究デザイン

機械学習モデル6種類を学習･検証

2003~19年に癌患者を登録した前向きコホート研究Vienna Cancer and Thrombosis Study (Vienna-CATS) より患者背景および各種検査値を用いて､ 6種類のVTE予測機械学習モデルを学習･検証した｡

データは､ モンテカルロ交差検証で学習データとテストデータに80/20に分割した｡ 学習データに実施した前処理をテストデータにも適用し､ 識別能と各パラメータの影響を評価した｡

結果

モデル精度はRAMと同程度

2,193例が組み入れられ､ VTEイベントは､ 6ヵ月以内および2年以内に124件 (累積発生率6.4％) および186件 (10.7％) 発生した｡

最も良好な性能を示した予測モデルは､ ロジスティック回帰モデルであり､ 曲線下面積 (AUC) は6ヵ月時点で0.66 (95％CI 0.65-0.67)､ 2年時点で0.62 (95％CI 0.61-0.62) と､ 既存のリスク評価モデル (RAM) と同程度であった｡

このモデルでVTEリスクへの寄与が大きかった因子は､ ホモ接合性第Ⅴ因子Leiden変異､ 直腸癌､ 精巣癌､ 膵癌､ 新規診断癌､ VTE既往であった｡

結論

既存のリスク評価モデルを上回らず

著者らは､ ｢広範な臨床情報およびバイオマーカーを組み込んだものの､ 既存のリスク評価モデルを上回らなかった｣ と報告している｡