急性腎障害（AKI）は集中治療室で頻繁に生じる合併症であり、突然発症するため見逃されることが多い。検出の遅れが転帰の進行性悪化につながるため、適時に介入できる時間枠を確保することが特に重要である。既存の機械学習および深層学習モデルはこの隔たりの縮小に貢献してきたが、数百から数千の特徴量を必要とする複雑さと汎化性能の欠如が制約となり、異なる電子健康記録エコシステムの臨床ワークフローへの統合を妨げている。本研究では、陽性例が5.4％を占めるMIMIC-IVデータセットで学習し、Optunaによってハイパーパラメータを最適化し、アイソトニック回帰によって確率を較正した37特徴量のXGBoostモデルを提示する。本モデルは、臨床環境間での移植可能性を考慮して設計された。内部検証では、前向き導入を模擬した患者単位の時間分割を用い、2008～2016年のデータで学習し、2017～2022年のデータでテストした。外部検証は、米国の208病院にまたがる多施設データセットであるeICU共同研究データベースを用い、再学習せずに学習済みモデルを適用して実施した。個々の予測について特徴量単位の説明可能性を提供するため、SHAP TreeExplainerを用いた。内部テストでは、12～24時間以内のAKI発症予測についてAUROC 0.794を達成した。外部検証では、再学習なしでAUROC 0.750を達成した。両データセットにおいて、性別、年齢、慢性腎臓病の有無、人種、AKIステージを通じて公平な識別性能が認められ、内部検証の95％信頼区間は0.789～0.799であり、モデル推定値の安定性が確認された。これらの結果は、現行モデルが必要とするよりも大幅に少ない特徴量で、臨床的に有用な予測システムを実現できることを示唆する。
https://doi.org/10.64898/2026.09.01.26360393