方法論記事

肺炎関連ARDSにおける死亡率リスク予測のためのリンパ球軌跡モデリング

DOI：

10.3791/69338

⸱

2025年11月21日

 ,  ,  , 
1Department of Respiratory and Critical Medicine, The First Hospital of Jilin University

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究は、死亡リスク層別化において単一点測定ではなく動的なリンパ球軌跡を活用する新しい手法を導入することで、肺炎関連急性呼吸困難症候群の予後モデルにおける大きなギャップを埋めます。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

肺炎関連急性呼吸困難症候群(ARDS)は高い死亡率を特徴としていますが、現在の予後モデルは動的な免疫応答を捉えきれない静的なバイオマーカーに頼ることが多いです。本プロトコルは、グループベース軌跡モデリング(GBTM)を用いて異なるリンパ球数の軌跡を特定し、肺炎を伴うARDS患者の死亡リスクに対する予後評価を行う再現可能な計算フレームワークを導入します。MIMIC-IV v2.2データベースから抽出したデータを用いて、プロトコルはデータキュレーションや前処理から軌道構築、モデル検証までの各ステップを詳細に説明しています。このアプローチはGBTMによるサブグループ特定を含み、その後多変数ロジスティック分析およびCox回帰分析を用いて、軌道パターンと28日死亡率との関連を定量化し、APS IIIスコア、ICU滞在、心拍数などの主要な臨床共変量を調整します。モデルの性能はROC曲線、キャリブレーションプロット、意思決定曲線解析を用いて包括的に評価され、統計的な堅牢性と臨床解釈可能性の両方を確保しています。単一のタイムポイント測定ではなく縦断的な免疫データを活用することで、このワークフローは臨床医に方法論的に透明でデータ駆動型の戦略を提供し、リスク層分けを改善し、重症疾患における免疫の異質性を探求します。このプロトコルは完全に再現可能であり、他の縦断的バイオマーカーにも適応可能で、可視化や指導的デモンストレーションのために設計されており、時間的バイオマーカーモデリングを集中治療予後に統合しようとする研究者にとってアクセスしやすいツールとなっています。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

急性呼吸困難症候群(ARDS)は、死亡率が最大40%に達する一般的で臨床的に複雑な急性肺炎症症候群です。ARDSが肺炎と併用されると、重症患者で高い死亡率と関連しています。最近発表されたARDSに関する臨床研究やメタアナリシスでは、多くの点で結論が一貫していないことが報告されており、その理由はさまざまです。3.リンパ球は肺炎の免疫応答に不可欠であり、リンパ減少症は二次感染への脆弱性の増加、敗血症の重症度の上昇、死亡率と関連しています4。例えば、入院時のリンパ球数が0.5 x 109 cells/L未満の場合、予後が悪化したと関連しています。しかし、これまでの研究ではリンパ球の動態変化と予後の影響との関係について説得力のある証拠は提供できませんでした。

MIMIC-IVデータベースは、幅広い患者カバレッジを持つ実世界の臨床データを提供し、縦断的なリンパ球数が利用可能な詳細なサブグループ分析を可能にします。これらの時間的ダイナミクスをモデル化するために、グループベース軌跡モデリング(GBTM)という半パラメトリック有限混合法を採用しました。これは単一の平均軌跡6を押し付けるのではなく、異なる縦方向の傾向に従う潜在的部分群を特定します。他の縦断的または時系列クラスタリング手法と比べて、GBTMは臨床バイオマーカー解析に特有の利点を持ちます。電子カルテでよく見られる不均衡または欠落した観察を受け入れ、サブグループ所属確率を直接モデル化し、リスク層化に適した容易に解釈可能な軌跡プロファイルを生成します。

したがって、本研究は、肺炎を伴うARDS患者におけるリンパ球の軌跡を特定し、28日間死亡率との関連を評価するためにGBTMを適用するプロトコルを提示します。この方法論は、診断後最初の7日間以内に患者一人あたり少なくとも2回の測定値が得られる縦断的な検査データに適用可能です。このアプローチは、動的で定期的に収集されるバイオマーカーを活用し、予後評価を改善し、重症疾患における免疫の異質性を探るための再現可能な枠組みを提供します。

この研究には2つのステップがあります。まず、MIMIC-IVデータベースから肺炎を伴うARDSの臨床および生存データを取得しました。次に、Rソフトウェア(バージョン4.4.1)を用いてリンパ球の変化の軌跡を描き、リンパ球の軌跡と28日死亡率の関係を解析しました。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

この研究は倫理的な承認や参加への同意を必要としません。本研究で使用されたデータはデータベースから取得されました。本研究は、ベス・イスラエル・ディーコネス医療センターおよびマサチューセッツ工科大学の機関審査委員会(IRB)によって承認された非識別化されたMIMIC-IVデータベースを利用しました。個々の患者の同意要件は免除されました。研究者は人間研究倫理の認定コース(CITE番号:64579441、徐朗青)を修了し、PhysioNetプラットフォームから正式なデータアクセスを申請する必要があります。

1. 研究対象集団とデータ抽出

  1. 回顧的研究のためのデータは、マサチューセッツ工科大学計算生理学研究所が管理するMedical Information Mart for Intensive Care(MIMIC)-IVデータベースから取得してください。このデータは、2008年から2019年の間に米国マサチューセッツ州ボストンのベス・イスラエル・ディーコネス医療センターのICUに入院した58,000人の患者の臨床情報を含んでいます。
  2. 急性呼吸困難症候群(ARDS)と肺炎の両方と診断された成人患者(≥18歳)の選択データを提供します。診断は国際疾病分類第9版および第10版(ICD-9、ICD-10)に基づいており、ARDSは上位3の診断にランクインします。
  3. 以下の基準に基づくデータを除外します:年齢<18歳;以前は免疫抑制剤を使用していました。腫瘍、血液疾患、リウマチ系疾患を患っている;移植の既往歴があった。
  4. Navicat Premiumというデータベース管理ツール内の構造化クエリ言語(SQL)を用いて、最終コホートのデータを抽出します。これには、人口統計、入院時の臨床スコア(APS III、SOFA、チャールソン併存疾患指数)、入院時のバイタルサイン、検査指標、28日死亡率、入院、ICUの入院期間が含まれます。ICU入院後最初の7日間に記録されたすべての絶対リンパ球数のデータを含めてください。SQLコードは 補足ファイル1に提供されています。
  5. この期間中に各患者が少なくとも2回測定していることを確認し、含めるようにしてください。 「出力」をクリックし、データに名前を付け、「 実行 」をクリックして出力と保存を行います。

2. グループベース軌跡モデリング(GBTM)

  1. 異なる免疫軌跡を特定するために、Rソフトウェア(v4.4.1+)とgbmtパッケージを用いて、縦方向リンパ球数に対してグループベース軌跡モデリング(GBTM)を実施します。
  2. データを長文で構造化し、グループ番号(1〜5)や多項式の順序でモデルをフィットさせます。統計的適合度(AIC/BIC)、パターンの臨床解釈可能性、グループ安定性(コホートの4%>5%、事後確率>0.7)に基づいて最適なモデルを選択します。
  3. 最終的な軌跡を可視化し、7日間のサブグループの動態を示します。GBMTモデリングのRコードについては 補足ファイル1 を参照してください。

3. 予後モデリングのための統計解析

  1. 予後モデルには、連続変数の平均、中央値、標準偏差、範囲、四分位数などの指標や、カテゴリ変数の頻度表を含めてください。中央値および四分位範囲(IQR)を使って、非正規分布を持つ連続変数を表現します。
  2. グループ間の変数特性の違いを調べるには、フィッシャーの正確検定、カテゴリ変数にはピアソンのカイ二乗検定、連続変数にはウィルコクソンランク和検定を用いてください。
  3. 開発された多変数ロジスティックおよびCox比例ハザード回帰モデルを用いて、軌跡群と28日死亡率の関連を評価し、年齢、APS IIIスコア、ICU日数などの主要共変量を調整します。コードの詳細は 補足ファイル1に記載されています。
  4. 識別(受信者操作特性曲線下面積)、校正(ブートストラップ検証済み校正プロット)、臨床利用(リスク閾値横断の意思決定曲線解析)を通じてモデルのパフォーマンスを評価します。統計的有意性を示す両側p<0.05を考えます。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

患者の特徴
本研究には合計161名の患者が対象となりました。GBTMプロトコル(ステップ2)の実行により、 図1に示される3つの異なるリンパ球軌跡が確認されました。この結果は、モデル収束の成功と有効なサブグループ分離を確認し、予後モデリングに進むための重要なチェックポイントとなります。この決定は統計的適合性(補足表1)と臨床解釈可能性のバランスに基づいていました。4クラスまたは5クラスのモデルはAIC/BIC値がわずかに改善したのに対し、3クラスモデルは明確に異なる臨床的に実行可能な軌跡を示しました。持続的な免疫抑制、中程度の回復、迅速な免疫再構築を表し、十分なグループサイズと安定性を持ち、堅牢な予後解析が可能でした。軌跡1は連続増加クラスで、62名(38.5%)を含み、1日目から7日目にかけてリンパ球数がほぼ直線的に着実に増加したことが特徴でした。しかし、その出発点は非常に低いものでした。軌跡2、U字型クラスは36名(22.3%)を含み、最初の3日間 でリンパ球数の早期減少を示し、その後は徐々に回復しました。トラジェクター3(早期減少、急上昇クラス)には、1日目から3日目にかけてリンパ球数がわずかに減少し、4日目以降は顕著な増加傾向が見られた63名(39.1%)の患者が含まれていました。同時に、開始値は通常値に近いです。これらの経過においてベースラインの特徴は有意に異なり、臨床的関連性が検証されました(表1)。軌跡1の患者は高齢で、より重症度が高い(APS IIIおよびSOFAスコアが高い)、最低のベースラインリンパ球数、そして最も高い28日間死亡率(24.2%)を示しました。 表2に示されているように、生存者と非生存者の間でいくつかの基準特性が有意に異なっていました。生存していない人は高齢で、死亡率の高いリンパ球の軌跡に属する傾向が多かった。また、ICUでの滞在期間が長くなり、高血圧の有病率が高まり、入院時の重症化(APS IIIスコアが高く併存症負担が増大)を経験しました。最後に、非生存者には心拍数の上昇と血中尿素窒素の増加が見られました。

多変量ロジスティック回帰
ロジスティック回帰プロトコル(ステップ4)は、肺炎を併発するARDS患者の28日間死亡率の独立予測因子を特定するために実施されました。未調整モード(モデル1)および軌跡1を基準とした場合、軌跡2(OR 0.51;95%信頼区間0.15–1.45;p=0.228)および軌跡3(OR 0.10;95%信頼区間0.02–0.39;p=0.003)は有意でなかったが、後者は28日死亡率の著しい減少と関連していた。混絡因子を調整した後(モデル3)、軌跡3は死亡率低下の独立予測因子として残りました(OR 0.06;95% CI 0.01–0.36;p = 0.006; 表3)。入院期間は保護効果を維持しました(OR 0.59/日;95%信頼区間 0.40–0.78;p = 0.002)。一方、ICUの1日ごとに死亡リスクがさらに増加しました(OR 1.75;95% CI 1.32–2.57;p < 0.001)。APS IIIスコアの上昇(OR 1.04/ポイント;95% CI 1.00–1.08; p = 0.047)および入院心拍数の上昇(OR 1.05/bpm;95% CI 1.01–1.10; p = 0.019)も有意であったが、性別、チャールソン指数、BUNは有意に至らなかった。これらの結果は、プロトコルが免疫の軌跡とアウトカムの間に強く調整された関連性を導き出す能力を裏付けています。同時に森林区画も可視化に使用されました(図2)。モデルのパフォーマンス指標(ステップ4)は、私たちのアプローチの堅牢性を示しました。モデルは優れた識別能力を示しました(AUC = 0.932; 図3)。この高い値は、ランダム確率の0.5ベンチマークを大幅に上回っており、プロトコルから導き出されたモデルが生存者と非生存者を効果的に区別していることを示しています。較正曲線(図4)は予測確率と観測確率の良好な一致を示し、極端な誤差も最小限でモデルの信頼性を支持しました。意思決定曲線解析(図5)では、閾値確率全体で一貫した純利益が5%〜45%で、ピーク時の利益は約10%であることが示され、臨床意思決定におけるモデルの可能性を示しています。

多変量コックス回帰
Cox回帰プロトコル(ステップ4)はロジスティックモデルと整合した結果をもたらしました。軌跡1と比較して、軌跡2の患者は28日死亡率の低下への有意でない傾向を示しました(HR 0.54;95% CI 0.20–1.48; p = 0.232)。一方、軌跡3の患者は死亡リスクが著しく低下しました(HR 0.12;95% CI 0.03–0.52; p = 0.005;モデル1)。混絡因子を補正した後(モデル3)、トラジェクトリー3は死亡率の低下と独立関連を示しました(HR 0.13;95% CI 0.03–0.64;p = 0.012; 表4)。入院日数は保護的でした(HR 0.68/1日;95%信頼区間 0.54–0.87;p = 0.002)。一方、ICUの日数が増えるごとに危険度が51%増加しました(HR 1.51;95% CI 1.19–1.91;p < 0.001)。より高いAPS IIIスコア(HR 1.02、95% CI 1.00–1.05、p = 0.026)および入院心拍数の上昇(HR 1.03; 95% CI 1.00–1.07; p = 0.041)も死亡率の中程度ながら有意な予測因子であり、チャールソン指数およびBUNは統計的有意には達しませんでした。この関連性が両回帰フレームワークで安定していることは、リンパ球の軌跡が予後マーカーとして堅牢であることを強調しています。比例的危険性仮定はシェーンフェルド残差を用いて検証され、有意な違反は検出されませんでした。同時に森林区画も可視化に使用されました(図6)。

figure-results-1
図1:3クラスGBTMによって特定されたリンパ球の軌跡。 R gbmtパッケージを使って生成されました。成功した複製は、持続的な免疫抑制、中程度の回復、迅速な免疫再構築を示す3つの明確な軌跡を示すべきです。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-2
図2:多変数ロジスティック回帰のためのフォレストプロット。 R ggplot2で作成。統計的に有意な予測変数は、信頼区間がOR = 1を越えていないことを示すべきです。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-3
図3:ロジスティックモデル識別のためのROC曲線。 R pROCパッケージを使用して生成されました。AUC = 0.932は優れたパフォーマンスを示します。再現された曲線は左上に急激に上昇するはずです。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-4
図4:キャリブレーション曲線(ブートストラップ200)。 R rmsパッケージで作成されました。良好な較正は、バイアス補正曲線が理想線に密接にフィットすることで確認されます。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-5
図5:臨床有用性のための意思決定曲線分析。 R rmdaパッケージで生成されました。モデルは5%から45%の閾値範囲で、すべて治療・なし戦略に対する純利益を示すべきです。 この図の拡大版はこちらをクリックしてご覧ください。

figure-results-6
図6:Cox比例ハザードモデルの森林プロット。 R survminerパッケージで作成されました。成功した再現は、保護要因(HR < 1)とリスク要因(HR > 1)を明確に区別すべきです。 この図の拡大版はこちらをクリックしてご覧ください。

変数軌跡1(N=62)軌跡2(N=36)軌跡3(N=63)p
年齢、年齢71 (62.2–81)72 (58–78.2)62 (45.5–81)0.0204
ソファ5 (4–6)4 (3–6)4 (3–6)0.0333
GCS15 (15–15)15 (15–15)15 (15–15)0.803
APSIII52 (45–63)40 (28.8–57.5)49 (33.5–57)0.0107
チャールソン指数5 (3–6)4.5 (3–5)3 (2–6)0.213
COPD14 (22.6%)11 (30.6%)14 (22.2%)0.602
高血圧42 (67.7%)22 (61.1%)31 (49.2%)0.104
糖尿病18 (29%)13 (36.1%)16 (25.4%)0.529
心臓病32 (51.6%)19 (52.8%)28 (44.4%)0.638
脳 血管12 (19.4%)5 (13.9%)7 (11.1%)0.425
慢性腎臓病(CKD)9 (14.5%)7 (19.4%)8 (12.7%)0.659
CLD0 (0%)0 (0%)4 (6.3%)0.0412
換気11 (17.7%)5 (13.9%)13 (20.6%)0.701
呼吸率22 (19–25)19.5 (16–24)22 (18–24)0.0753
心拍数93 (82.2–101)84 (76.8–98.2)93 (88.5–106)0.0371
SBP126 (114.2–138.5)126 (116–134)126 (115–130)0.518
DBP75 (66–84.8)75 (63–79.8)75 (66–81)0.921
WBC10.2 (6.8–16.3)11.8 (9.2–13.9)12.5 (8.8–15)0.208
ヘモグロビン10.8 (10–12)11.4 (10.5–13.1)11.7 (10.7–12.9)0.117
血小板223.5 (169.8–279)223.5 (175.8–264.2)226 (192–282)0.775
リンパ球0.6 (0.4–0.7)1.4 (1.3–1.6)1.1 (0.6–1.9)<0.001
クレアチニン0.9 (0.8–1.4)0.9 (0.8–1.2)0.8 (0.6–1.2)0.0652
バン23 (17–38)20 (14.5–33.2)18 (12.5–24.5)0.0167
カリウム4 (3.6–4.7)4 (3.8–4.5)4.1 (3.5–4.4)0.488
ナトリウム140 (136–143)139 (136–143.2)139 (137–141)0.444
入院期間、日数11.5 (7.2–20.8)11 (6.8–14.2)12 (8–16)0.557
ICUの滞在期間、日数7 (4.2–12)6 (4–10.2)6 (3–11)0.603
28日間死亡率15 (24.2%)5 (13.9%)2 (3.2%)0.0029

表1:リンパ球軌跡ごとのベースライン特性。 使用された有意性検定は、フィッシャーの厳密検定、ピアソンのカイ二乗検定、ウィルコクソン順位和検定でした。

特性全生き延びる死p値
N = 161N = 139N = 22
トラジェトリー、N (%)0.001
162.0 (38.5%)47.0 (33.8%)15.0 (68.2%)
236.0 (22.4%)31.0 (22.3%)5.0 (22.7%)
363.0 (39.1%)61.0 (43.9%)2.0 (9.1%)
性別、N(%)0.446
女性83.0 (51.6%)70.0 (50.4%)13.0 (59.1%)
男性78.0 (48.4%)69.0 (49.6%)9.0 (40.9%)
年齢、中央値(Q1、Q3)69.00 (55.00, 81.00)66.00 (52.00, 78.00)79.00 (70.00, 87.00)0.001
入院日数、中央値(第1四半期、第3四半期)12.00 (8.00, 17.00)12.00 (8.00, 17.00)11.00 (5.00, 18.00)0.303
ICUの日数、中央値(第1四半期、第3四半期)6.00 (4.00, 12.00)6.00 (3.00, 11.00)11.00 (5.00, 14.00)0.033
換気入院数、n(%)>0.999
いいえ132.0 (82.0%)114.0 (82.0%)18.0 (81.8%)
はい29.0 (18.0%)25.0 (18.0%)4.0 (18.2%)
COPD、n(%)0.719
いいえ122.0 (75.8%)106.0 (76.3%)16.0 (72.7%)
はい39.0 (24.2%)33.0 (23.7%)6.0 (27.3%)
高血圧、n(%)0.019
いいえ66.0 (41.0%)62.0 (44.6%)4.0 (18.2%)
はい95.0 (59.0%)77.0 (55.4%)18.0 (81.8%)
糖尿病、n(%)0.771
いいえ114.0 (70.8%)99.0 (71.2%)15.0 (68.2%)
はい47.0 (29.2%)40.0 (28.8%)7.0 (31.8%)
心臓病、n(%)0.312
いいえ82.0 (50.9%)73.0 (52.5%)9.0 (40.9%)
はい79.0 (49.1%)66.0 (47.5%)13.0 (59.1%)
脳血管、n(%)0.104
いいえ137.0 (85.1%)121.0 (87.1%)16.0 (72.7%)
はい24.0 (14.9%)18.0 (12.9%)6.0 (27.3%)
CKD、n(%)0.534
いいえ137.0 (85.1%)117.0 (84.2%)20.0 (90.9%)
はい24.0 (14.9%)22.0 (15.8%)2.0 (9.1%)
CLD, n (%)>0.999
いいえ157.0 (97.5%)135.0 (97.1%)22.0 (100.0%)
はい4.0 (2.5%)4.0 (2.9%)0.0 (0.0%)
SOFA入学、中央分位数(Q1、Q3)5.00 (3.00, 6.00)5.00 (3.00, 6.00)5.50 (3.00, 7.00)0.241
APSIII入学、中央値(Q1、Q3)49.00 (35.00, 60.00)48.00 (32.00, 57.00)61.50 (50.00, 69.00)<0.001
GCS、中央値(第1四半期、第3四半期)15.00 (15.00, 15.00)15.00 (15.00, 15.00)15.00 (14.00, 15.00)0.367
チャールソン併存疾患指数、中央値(第1四半期、第3四半期)5.00 (3.00, 6.00)4.00 (2.00, 6.00)5.00 (4.00, 6.00)0.047
呼吸数、中央値(Q1, Q3)22.00 (18.00, 24.00)22.00 (18.00, 24.00)23.00 (19.00, 26.00)0.091
心拍数、中央値(Q1、Q3)93.00 (82.00, 103.00)93.00 (81.00, 101.00)101.00 (93.00, 110.00)0.01
SBP、中央値(第1四半期、第3四半期)126.00 (115.00, 135.00)126.00 (115.00, 135.00)126.00 (117.00, 136.00)0.919
DBP、中央値(Q1、Q3)75.00 (65.00, 83.00)75.00 (65.00, 83.00)75.00 (63.00, 84.00)0.963
Cr、中央値(Q1、Q3)0.90 (0.70, 1.30)0.90 (0.70, 1.30)0.95 (0.70, 1.40)0.582
BUN、中央値(第1四半期、第3四半期)20.00 (15.00, 30.00)19.00 (14.00, 27.00)33.50 (20.00, 54.00)0.002
カリウム、中央値(Q1、Q3)4.00 (3.70, 4.50)4.00 (3.60, 4.50)4.25 (3.80, 5.10)0.133
ナトリウム、中央値(Q1、Q3)139.00 (136.00, 142.00)139.00 (136.00, 142.00)140.50 (136.00, 143.00)0.483
WBC、中央値(第1四半期、第3四半期)11.50 (7.80, 15.20)11.40 (7.70, 15.20)12.10 (9.10, 18.20)0.321
HBG、メディアン(第1、第3四半期)11.30 (10.30, 12.70)11.50 (10.30, 12.80)10.60 (9.80, 11.70)0.072
PLT、中央値(Q1、Q3)226.00 (175.00, 279.00)225.00 (174.00, 278.00)236.00 (200.00, 358.00)0.208
リンパ球、中央値(Q1、Q3)0.83 (0.52, 1.44)0.88 (0.53, 1.45)0.67 (0.45, 0.93)0.111

表2:生存者と非生存者の特徴。 使用された有意性検定は、フィッシャーの厳密検定、ピアソンのカイ二乗検定、ウィルコクソン順位和検定でした。

群特性又は95%信頼区間p値
モデル1鉄道
1——
20.510.15, 1.450.228
30.10.02, 0.390.003
モデル2鉄道
1——
20.460.12, 1.590.236
30.10.01, 0.440.007
年齢1.081.03, 1.130.003
性
F——
M0.50.15, 1.500.222
hosp_days0.690.52, 0.860.005
ICU_days1.511.22, 2.010.001
モデル3鉄道
1——
20.560.12, 2.320.435
30.060.01, 0.360.006
年齢1.061.00, 1.140.049
性
F——
M0.420.11, 1.470.187
hosp_days0.590.40, 0.780.002
ICU_days1.751.32, 2.57<0.001
APS III_admission1.041.00, 1.080.047
charlson_comorbidity_index0.890.63, 1.200.49
heart_rate_admission1.051.01, 1.100.019
BUN_adm11.00, 1.010.209

表3:多変量ロジスティック回帰。 略語:CI = 信頼区間、OR = オッズ比。

群特性NイベントN人事95%信頼区間p値
モデル1鉄道16122
162——
2360.540.20, 1.480.232
3630.120.03, 0.520.005
モデル2鉄道16122
162——
2360.510.18, 1.420.197
3630.160.03, 0.700.016
年齢161221.061.02, 1.100.004
性16122
F83——
M780.620.26, 1.460.274
hosp_days161220.730.58, 0.910.005
ICU_days161221.411.14, 1.730.001
モデル3鉄道16122
162——
2360.650.22, 1.910.437
3630.130.03, 0.640.012
年齢161221.051.00, 1.100.063
性16122
F83——
M780.670.26, 1.740.411
hosp_days161220.680.54, 0.870.002
ICU_days161221.511.19, 1.91<0.001
APS III_admission161221.021.00, 1.050.026
charlson_comorbidity_index161220.920.71, 1.180.493
heart_rate_admission161221.031.00, 1.070.041
BUN_adm1612211.00, 1.000.293

表4:多変量コックス回帰。 略称:CI = 信頼区間、HR = ハザード比。

補足表1:各リンパ球軌跡グループの要約統計。 略称:AIC = 赤池情報基準;BIC = ベイズ情報基準;CAIC = 一貫したAIC;AvePP = 平均事後確率。 このファイルをダウンロードするには、こちらをクリックしてください。

補足ファイル1:ステップ1〜3のコードとスクリプト。このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

私たちの分析の新しい発見は、MIMIC-IVデータベースに基づいています。私たちは、広く利用可能なリンパ球数に基づく肺炎縦断リンパ球サブグループ解析と組み合わせた新規ARDSを開発しました。予後評価において、入院時のリンパ球数よりも縦方向のリンパ球数サブグループが良好であることが分かりました。

重要な手続き上のステップが結果に大きな影響を与え、再現性について注目すべきです。データフィルタリング基準は、7日以内に2回のリンパ球測定>必要とされ、十分な縦断データを保証します。GBTMパラメータの選択、特に臨床的解釈可能性に基づく3つの軌跡の選択は、臨床的に実行可能な表現型を生成する上で極めて重要でした。

異なるリンパ球の軌跡は、特に治療過程におけるARDSと肺炎の組み合わせにおいて異なる免疫プロファイルや予帰を示唆する可能性があります8。APSIIIスコアは、個々の生理的障害の程度を示す指標です。APSスコアが高いほど、体の臓器機能障害がより明らかになり、予後も悪くなります。軌跡3と比較して、軌跡1の患者のリンパ球の初期値は低く、APSIIIスコアが高い。これは、トラジェクタリー1の患者が免疫機能障害の段階にある可能性が高いことを示しています。軌跡1(連続上昇)は、早期リンパ球動員が制限され、持続的なリンパ球症を持つ患者を示すと考えられます。軌跡3(早期減少後急速上昇)は独立して最低28日死亡率(HR 0.13; p = 0.012)と関連しており、一時的なリンパ球減少と迅速な回復がより良い予後をもたらすことを示唆しています。この傾向は、ARDSの早期死亡が激しい炎症によって引き起こされる一方で、晩期死亡は免疫抑制とより一般的に関連していることを示す先行研究と一致しています10。これらの発見は、肺炎のサブタイプと組み合わせた異なるARDSに対する個別化治療の潜在的な役割を浮き彫りにしています。特に、炎症促進プロファイル(Trajectory 3)の患者は、コルチコステロイドやウリナスタチン11などの抗炎症薬の恩恵を受ける可能性があります。免疫抑制プロファイル(Trajectory 1)を持つ患者には、リンパ球数を回復する胸腺素α1やリンパ球増殖を促進しアポトーシスを防ぐIL-7のような免疫刺激療法が有利になる可能性があります12。これらの経路の特定はリスク階層化に直接的な臨床的影響をもたらします。ICU入院後最初の3〜4日間のリンパ球数をモニタリングすることで、臨床医は持続的に高リスク(トラジェクトリー1)の患者を特定し、免疫刺激療法の試験に登録候補となる可能性があります。逆に、トラジェクトリー3を経た患者は、初期の低下にもかかわらず良好な予後を持ち、より攻撃的で潜在的に有害な免疫調節介入から免れる可能性があります。しかし、これらの提案は仮説的なものであり、臨床採用前に前向きかつ介入的研究で厳密に検証する必要があります。したがって、ARDSの標的治療は特に重要です13。

既存のモデリング手法と比較して、当社のGBTMベースのプロトコルは独自の方法論的利点を提供します。機械学習モデルは通常、複雑な特徴工学と膨大な計算資源を必要としますが、このアプローチは日常的に利用可能な縦断データを直接的に活用します。このプロトコルは、不規則な間隔の測定や欠損データを扱う能力により、実際の臨床データセットに特に適しています。さらに、得られる軌跡群は、複雑な機械学習アルゴリズムのブラックボックス特性とは異なり、即座に解釈可能な臨床表現型を提供します。

非生存者の心拍数は、当研究の生存者よりも有意に高かった。この結論は以前の研究と一致しています。心拍数が上昇している場合は、低酸素レベルであることを示し、これはARDS15のより重度の状態を示します。さらに、重篤で心臓の高リスク患者における長期的な高心拍数は、重大な心臓イベントを引き起こし、悪予後を引き起こす可能性があります。したがって、異常に速い心拍数で入院した患者は、患者の血中酸素レベルを綿密に監視し、ARDSと肺炎の臨床症状の悪化の兆候に注意を払うことが重要です。入院期間は予後上の二重性を示します。一般病棟での1日増えが回復の勢いを示す一方で、ICUでの長期隔離はしばしば重症疾患の自己悪循環を象徴します17。

リンパ球軌跡モデルのパフォーマンスを文脈化するために、ARDSの最近の予後モデルと比較してみました。例えば、肺炎-ARDS(p-ARDS)に焦点を当てた最近の研究では、6つのMLモデルが開発され、その中でもサポートベクターマシン(SVM)モデルが最良の性能を示し、AUCは0.7718でした。特定のバイオマーカー(乳酸対アルブミン比など)を取り入れたより高度なモデルでは性能が向上し、28日死亡率でAUCが0.811まで報告されています19。この状況下で、動的なリンパ球軌跡と基本的な臨床パラメータを統合したモデルは、AUC0.932という優れた識別能力を達成しました。これは、リンパ球傾向によって捉えられる縦断的な免疫プロファイルが、単一の時点測定や静的な入院変数に基づく複雑なMLモデルよりも強力な予後情報を提供できる可能性を示唆しています。

このワークフローの効率性と適応性は、さらなる利点をもたらします。当社の分析パイプラインのモジュール設計により、新しいデータセットへの迅速な適用が可能で、データ抽出から可視化までの完全な分析が数時間以内に実現可能です。このプロトコルは他の動的バイオマーカーや異なる集中治療集団の研究に容易に適応でき、現在の応用を超えてその有用性を高めています。

いくつかの制限点が考慮に値します。第一に、単一センターデータベース(MIMIC-IV)の後ろ向き解析は未測定の交絡に影響を受けやすく、ARDS識別にICD-9/10コードに依存し、将来的なベルリン定義に依存しないことは誤分類バイアスを生じさせ、地域別の診断の違いによる一般化性を制限する可能性があります。第二に、コホートサイズ(n=161)は初期モデリングには十分ですが、大規模で多施設の研究では外部検証が必要です。第三に、動的サイトカインプロファイルや免疫療法データの欠如は、より包括的な免疫学的評価を制限します。最後に、我々のモデルの臨床的有用性には前向き評価が必要です。

結論として、GBTMを用いて肺炎を伴うARDS患者において3つの異なるリンパ球経路が特定されました。リンパ球の軌跡、高い心拍数、ICUでの滞在は28日間死亡率の強い予測因子でした。これらの発見は、肺炎を伴うARDSに対するより個別化された管理戦略の開発を支持する可能性があります。今後の前向き研究では、標的免疫療法の異なる経路での有効性を調査し、免疫療法とARDSサブグループ間の相互作用をより深く理解することが考えられます。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

著者には開示すべき利益相反はありません。

謝辞

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究は、ベースラインデータMIMIC-IVデータベースに基づいています。献身的なMIMIC-IVチームの皆様のご協力に心より感謝申し上げます。ホウさんの付き添いと励ましに感謝します。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
MIMIC MIT計算生理学ラボIV 2.2
ナビキャットプレミアム プレミアムソフト・サイバーテック株式会社16
R Rコアチーム4.4.1
RStudioポジット・ソフトウェア、PBC

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Bellani, G., et al. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 315 (8), 788_800(2016).
  2. Thompson, B. T., et al. Acute Respiratory Distress Syndrome. New Engl J Med. 377 (6), 562_572(2017).
  3. Xu, H., et al. Acute Respiratory Distress Syndrome Heterogeneity and the Septic ARDS Subgroup. Front Immunol. 14, 1277161(2023).
  4. Drewry, A. M., et al. Persistent Lymphopenia after Diagnosis of Sepsis Predicts Mortality. Shock. 5 (5), 391_391(2014).
  5. Drewry, A. M., et al. The Presence of Hypothermia within 24 Hours of Sepsis Diagnosis Predicts Persistent Lymphopenia. Crit Care Med. 43 (6), 1165-1169 (2015).
  6. Nagin, D. S., et al. Group-Based Multi-Trajectory Modeling. Statist Methods Med Res. 27 (7), 2015-2023 (2018).
  7. ICD-10. , https://www.cdc.gov/nchs/icd/icd-10/index.html (2024).
  8. Calfee, C. S., et al. Subphenotypes in Acute Respiratory Distress Syndrome: Latent Class Analysis of Data from Two Randomised Controlled Trials. Lancet Resp Med. 2 (8), 611-620 (2014).
  9. Zhang, L., et al. Prediction of Prognosis in Elderly Patients with Sepsis Based on Machine Learning (Random Survival Forest). BMC Emerg Med. 22 (1), 26(2022).
  10. Delano, M. J., Ward, P. A. Sepsis-Induced Immune Dysfunction: Can Immune Therapies Reduce Mortality. J Clin Invest. 126 (1), 23-31 (2016).
  11. Liu, D., et al. Sepsis-Induced Immunosuppression: Mechanisms, Diagnosis and Current Treatment Options. Military Med Res. 9 (1), 56(2022).
  12. Patil, N. K., et al. Immunotherapy: A Promising Approach to Reverse Sepsis-Induced Immunosuppression. Pharmacol Res. 111, 688-702 (2016).
  13. Su, Y., et al. Mechanisms of pulmonary endothelial barrier dysfunction in acute lung injury and acute respiratory distress syndrome. Chinese Med J Pulmon Crit Care Med. 2 (2), 80-87 (2024).
  14. Tyson, B., et al. Predictors of Survival in Older Adults Hospitalized with COVID-19. Neurol Sci Off J Italian Neurol Soc Italian Soc Clin Neurophysiol. 42 (10), 3953-3958 (2021).
  15. Bai, Y., et al. Dynamic Oxygenation Subgroup Bringing New Insights in ARDS: More Predictive of Outcomes and Response to PEEP than Static PaO2/FiO2. Thorax. , (2025).
  16. Sander, O., et al. Impact of Prolonged Elevated Heart Rate on Incidence of Major Cardiac Events in Critically Ill Patients with a High Risk of Cardiac Complications. Crit Care Med. 33 (1), discussion 241-242 81-88 (2005).
  17. Taylor, S. P., et al. Clinical Subtypes of Sepsis Survivors Predict Readmission and Mortality after Hospital Discharge. Ann Am Thorac Soc. 19 (8), 1355-1363 (2022).
  18. Lv, J., Chen, J., Liu, M. Machine Learning-based prognostic prediction model of pneumonia-associated acute respiratory distress Syndrome. Front Med. 12, 1582426(2025).
  19. Ye, D., Jiang, W., Gu, D. Association between Platelet-albumin-bilirubin grade and the 30-day mortality in patients with acute respiratory distress syndrome: Evidence from the MIMIC-IV Database. Balkan Med J. 42 (1), 66-74 (2025).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

ARDSARDSMIMIC IV

関連記事