腎臓病におけるAIの進歩：網膜画像診断、入院リスク、ループス腎炎
新しいAIツールは、網膜画像から糖尿病性腎臓病を予測し、血液透析患者の入院リスクを特定し、ループス腎炎の診療を前進させる。これらの研究成果はARVO 2026で発表され、NEJM Catalyst、The Lancet、International Journal of Molecular Sciencesに掲載された。
人工知能（AI）は腎臓病診療のさまざまな領域でますます応用が進んでおり、新たな研究により、網膜画像から糖尿病性腎臓病を予測し、入院リスクが切迫した血液透析患者を特定し、ループス腎炎の診断と治療を前進させるAIの能力が示されている。これらの知見は、医学学会で発表され、査読付きジャーナルに掲載された研究によるものである。
2026年5月3〜7日に米国コロラド州デンバーで開催された視覚と眼科学研究協会（ARVO）2026年年次総会で発表された研究結果によると、網膜画像ベースの深層学習システム（DeepDKD Plus）は、糖尿病性腎臓病（DKD）の発生と進行の両方を正確に予測し、従来の臨床モデルを上回った。この後ろ向き多施設研究では、DeepDKD Plusが2つのタスクを実行するよう開発された。すなわち、腎機能が保たれた個人における5年以内のDKD発生（推算糸球体濾過量[eGFR]の60 mL/min/1.73 m²未満への低下、またはACR 30 mg/g超と定義）の予測と、既存の腎疾患を有する患者における5年以内のDKD進行（eGFRの40%以上の低下または腎不全と定義）の予測である。
モデルは、中国人糖尿病患者5558人の網膜画像1万1116枚でトレーニングされ、続いて中国、メキシコ、英国の5つの多民族コホート（n=13,935）で内部検証と外部検証が行われた。5年以内のDKD発症の予測において、DeepDKD Plusは内部テストで曲線下面積（AUC）0.814（95% CI、0.789〜0.838）と強い判別能を示し、AUC 0.760（95% CI、0.733〜0.786、P<.001）を達成した臨床メタデータモデルの性能を上回った。網膜画像と臨床変数を組み合わせると、性能はさらに向上し、AUCは0.828（95% CI、0.804〜0.850）となった。外部コホートでは、深層学習モデルは一貫した精度を維持し、AUCは0.722〜0.797の範囲であり、メタデータベースのアプローチの0.676〜0.735と比較された。5年以内のDKD進行の予測では、DeepDKD Plusは内部AUC 0.762（95% CI、0.732〜0.788）を達成し、再びメタデータモデル（AUC 0.712、95% CI、0.684〜0.743、P<.001）を上回った。一方、組み合わせモデルはAUC 0.797（95% CI、0.772〜0.820）に達した。外部検証の結果も同様で、DeepDKD PlusのAUCは0.726〜0.772、臨床モデル単独では0.656〜0.731であった。
別の進展として、AI駆動の機械学習モデルが、感染症または体液状態関連の異常による7日以内の入院リスクがある血液透析患者を特定できる可能性がある。大手透析組織は、2つの切迫入院予測モデル（IHPM）—体液過剰用と感染症用—を採用し、施設内血液透析セッション後に入院する可能性が高い患者を特定した。モデルは透析電子カルテと保険請求データを統合し、各モデルがリスクスコア（範囲：0〜1）を生成し、リスクスコア0.64以上で即時の入院を予測した。高スコアの患者については、ケースマネージャー看護師がダッシュボードに表示されたスコアの上位5つの理由と臨床データをレビューした。評価に基づき、看護師は介入を手配することができた。その内容は、体液管理（例：ドライウェイトの再評価、透析の延長または追加）、薬剤レビュー（例：抗生物質や利尿薬などの治療の開始、中止、調整）、専門医紹介、クリニック治療アルゴリズムの実施（例：貧血管理、栄養補給、血管アクセスモニタリング）、その他の支持的ケア（例：地域リソース、交通手段、在宅医療、行動医療、移植評価への紹介）である。研究者らは、8万3928件のリスクスコアを提供した1万294人の患者を調査した。AI主導の介入により、入院のオッズは有意に8%減少した（OR 0.92、P=.025）。内訳は、遠隔看護師管理ケアで7%、クリニック管理ケアで9%の減少であった。この知見はNEJM Catalystに報告された。
AIはループス腎炎（LN）でも有望性を示している。AIと機械学習技術の応用に焦点を当てたLNの診断と治療における最新の進歩に関する包括的レビューがThe Lancetに掲載された。腎生検は診断のゴールドスタンダードとみなされているが、この手技は侵襲的であるため、適切な候補者のみが対象とされるべきである。人間の限界に起因する観察者間変動が懸念されており、腎生検解析のデジタル化は読影の精度を高めることができる。AIと機械学習を組み合わせることで、サブグループ診断の詳細が特定され、治療経路の個別化が強化される可能性がある。研究者らは、バイナリラフ超ボリュームとグループ化インテリジェントサンプリングを組み合わせた新しい球状進化アルゴリズム（bRGSE）に言及した。このアルゴリズムは、増殖性LNと膜性LNを判別する際に96.687%の精度と97.833%の感度を達成した。
レビューではまた、B細胞および形質細胞、T細胞、サイトカイン、補体カスケードを標的とする生物学的製剤など、LNに対する標的生物学的治療も取り上げられた。治療決定は、ゲノミクス、トランスクリプトミクス、プロテオミクス、メタボロミクスなど複数の生物学的レベルの情報を統合したマルチオミクスデータのAIベース解析によって裏付けられる可能性がある。大きな注目を集めている2つのトピックは、標的タンパク質分解と薬理ゲノミクスである。LN治療における薬理ゲノミクスは、遺伝子多型が薬物代謝、有効性、および有害反応の発現にどのように影響するかを理解するために応用されるだろう。研究者らは、LN治療へのAIと機械学習の応用によっていつか達成されるかもしれない精密医療は、大きな可能性を秘めていると結論づけている。
より広く見ると、International Journal of Molecular Sciencesに掲載された最先端のレビューによれば、腎臓学における人工知能はさまざまなモデリングアプローチに及んでいる。検査結果、年齢、臨床パラメータなど表形式で記録された医療データには、ロジスティック回帰、ランダムフォレスト、XGBoostなどのモデルが非常に優れた性能を発揮する。多層パーセプトロンなどの中間的ソリューションは、古典的モデルの利点とより複雑な手法の利点を組み合わせたものである。最も先進的なモデルである深層ニューラルネットワークは、医療画像解析などデータがより複雑な場合に使用され、配置に関係なく構造やパターンを認識できるため、病理組織診断において特に重要である。最も革新的な方向性は、人工知能とプロテオミクスやメタボロミクスなどの現代の生物学的解析を組み合わせることであり、症状が現れる前や標準的な検査で変化が見えるようになる前に、疾患の非常に初期の兆候を検出することが可能になる。ヴロツワフ医科大学の教授は次のように強調している。「これらの手法の最大の可能性は、膨大な生物学的データセットを分析し、古典的な診断では見えないパターンを特定する能力にある。実際には、これは不可逆的な腎障害が発生する前に、より早期の疾患検出とその経過のより良い予測が可能になることを意味する」