*背景：*院内発症の静脈血栓塞栓症（VTE）は、院内における罹患と死亡の主要な予防可能因子である。ガイドラインに支持されたリスクスコア（Padua、IMPROVE）は、病院全体の選択されないコホートでは識別能が中程度にとどまる。
*方法：*MIMIC-IV（2008-2022）における成人入院399,624件を解析した。最初に発症する疾患に限定するため、既往VTEを有する入院を除外した。新規発症VTEは、放射線レポート本文から専門家によりベンチマークされたパイプラインを用いて同定した（PEはMIMIC-IV-Ext-PEゴールドスタンダードで、2方向の判定により；DVTは人手のゴールドスタンダードで検証された分類により）。静的モデル（ロジスティック回帰、XGBoost）は最初の24時間から57の特徴量を用い、動的ランドマークモデルは時間更新される92の特徴量を用いた。モデルは交差検証、時系列ホールドアウト、ブートストラップ推論、決定曲線解析によりPaduaおよびIMPROVEと比較した。
*結果：*VTEは1,915件の入院で発生した（0.479%）。交差検証では、フォールド平均AUCはXGBoostで0.8751（95% CI 0.8705-0.8805）、ロジスティック回帰で0.8428であり、Paduaの0.6330に比べて高かった。フォールド外推論により、Paduaに対してXGBoostでAUCが有意に増加（ΔAUC +0.2403）し、IMPROVEに対しても増加（+0.2078）することが確認された（いずれもP < 0.0005）。この結果は交差検証の3回の反復すべてで安定していた。ホールドアウトのテストセット（n = 70,075；325イベント）では、XGBoostはAUC 0.8873、ロジスティック回帰は0.8641を達成し、Paduaは0.6188、IMPROVEは0.6521であった。医療患者においても優位性は維持され（XGBoost 0.8904 対 Padua 0.6317）、動的ランドマークの更新は、入院期間に基づく静的モデルに対して有意な上乗せをもたらした（ΔAUC +0.1194；P < 0.0005）。一方、GRU配列モデルでは、交差検証3回の反復間でΔAUCが-0.0084から-0.0114となり、上乗せは認められなかった（すべてP ≥ 0.42）。感度分析として、入院後24時間を超えて診断されたVTEに限定した場合（627イベント）および既往VTEを含めた場合（2,145イベント）でも、いずれもPaduaに対するMLの優位性が維持された（ΔAUC +0.1031および+0.2323；いずれもP < 0.0005）。
*結論：*日常的な入院データを用いる機械学習モデルは、院内発症VTEの予測においてPaduaおよびIMPROVEを有意に上回る。静的モデルは24時間以内に自動計算できる。再調整および前向きの外部検証を待てば、追加のデータ入力なしに手作業によるリスク評価を補完し得る。
https://doi.org/10.64898/2026.08.25.26361123