Case 22-2025: A 19-Year-Old Woman with Seizurelike Activity and Odd Behaviors
表題の論文をAIとともに読み込みました
（本記事は元文献を見ながら読んでいただく前提ですので、詳細な病歴、画像や臨床検査所見等は元文献をご参照ください）
これらの情報源は、抗NMDA受容体脳炎と診断された19歳の女性の症例について詳述しています。彼女は、てんかん様活動、異常行動、思考障害といった神経学的症状を呈しました。脳のMRIは正常でしたが、卵巣に悪性混合胚細胞腫瘍が発見され、それが彼女の神経精神症状の根本原因として特定されました。提示されたテキストは、患者の入院中の臨床経過、診断検査結果、および病理学的所見を概説し、その後の治療と回復についても触れています。
Podcast: Play in new window | Download
Case 21-2025: A 75-Year-Old Man with Cough, Dyspnea, and Hypoxemia
（本記事は元文献を見ながら読んでいただく前提ですので、詳細な病歴、画像や臨床検査所見等は元文献をご参照ください）
本論文は、咳、呼吸困難、および低酸素血症を呈する75歳の男性の症例を報告しています。患者は、既存の重症喘息とアレルギー性気管支肺アスペルギルス症（ABPA）の病歴があり、グルココルチコイドを長期にわたって使用していました。入院時のCT画像検査では、右肺上葉に空洞性病変、両下葉に腫瘤様浸潤影が認められました。臨床経過と検査結果から、ノカルジア・ファーシニカ複合体と非結核性抗酸菌（NTM）であるマイコバクテリウム・アブセッサス複合体による混合感染が最終的な診断として確定されました。この症例は、免疫抑制状態にある患者における日和見感染症の診断の複雑さと、多剤併用療法および長期治療の必要性を示しています。特に、ノカルジアとマイコバクテリウムの同時感染という稀なケースであり、培養条件の工夫によって初めて両方の病原体が特定された点が技術的新規性として挙げられます。想定されるユースケースは、免疫不全患者における原因不明の肺病変に対する鑑別診断と治療戦略の確立です。本研究は、まれな混合感染症の診断と治療に関する知見を提供し、特にグルココルチコイド長期使用者における日和見感染症の可能性を強調しています。
本症例は、臨床症状、画像所見、および微生物学的検査に基づいて診断されました。
以上の多角的な検査と治療への反応により、本症例における
Nocardia farcinica複合体とMycobacterium abscessus複合体の混合感染と診断されました。
本研究にはいくつかの議論点と未解決の課題が存在します。
本症例における技術や手法のキモは、稀な混合感染症を正確に診断するために、標準的な微生物学的検査に加えて、特定の微生物の増殖特性を考慮した培養方法を組み合わせた点にあります。
これらの診断手法の組み合わせ、特にノカルジアの増殖を抑制する特定の培養条件を用いるという着想が、本症例の正確な診断と治療に不可欠な技術的キモであり、他の複雑な混合感染症の診断にも応用可能な知見を提供しています。
本研究の文脈をさらに深く理解し、関連する研究領域の最新動向を把握するためには、以下の論文が推奨されます。
Podcast: Play in new window | Download
2025年7月8日付の「I.M. Matters Weekly」からのMKSAPクイズです 。
76歳の女性が、急性腎障害の評価のために救急部門に入院しました 。患者の症状は、脱力感、悪寒、および濃い色の尿でした 。
検査結果は以下の通りです:
腎生検では、糸球体の50%に壊死性および半月体形成性糸球体腎炎が認められ、免疫蛍光法でIgGの線状染色が認められました 。胸部X線は正常でした 。
この患者の診断名は、抗糸球体基底膜（GBM）病による急速進行性糸球体腎炎です 。診断の根拠は以下の通りです。クレアチニン値は1か月前の0.8 mg/dL (70.7 µmol/L)から3.9 mg/dL (345 µmol/L)に上昇しています。
最も適切な治療法は、静脈内メチルプレドニゾロン、シクロホスファミド、および血漿交換です 。この患者の症状は、抗糸球体基底膜（GBM）病による急速進行性糸球体腎炎と一致しています 。この病気の治療には、高用量の静脈内グルココルチコイド（例：メチルプレドニゾロン）とシクロホスファミドに加え、抗体を除去するための血漿交換が含まれます 。血漿交換は通常、抗GBM抗体価が陰性になるまで隔日で行われます
患者の症状は、急速進行性糸球体腎炎と一致しています 。
腎生検では、免疫蛍光法でIgGの線状染色が認められ、これは抗GBM病を示唆しています 。
血清検査で抗GBM抗体が陽性であり、診断が確定されます 。
ミエロペルオキシダーゼ-ANCA陽性は、抗GBM病患者の最大33%に認められます 。
患者は急性腎障害、脱力感、悪寒、濃い色の尿を呈しています 。
尿検査では、血液3+、タンパク質3+が認められます 。
Podcast: Play in new window | Download
詳細は北野 夕佳先生著の 「Hospitalist(ホスピタリスト)2022年1号」ですが、その中から無料公開ページの内容を紹介しています。原著のページでは、Pemberton徴候・Dennison徴候等の動画や血管心雑音の音声コンテンツ等も公開されています。
「身体診察総論」では、医療従事者が患者と対面する際の自己紹介の重要性から始まり、患者確認、手指消毒、プライバシーへの配慮といった基本的ながらも極めて重要な診察の心得を解説しています。特に、患者誤認を防ぐための患者確認の徹底や、感染管理としての手指衛生の重要性が強調されています。
また、バイタルサインの把握の重要性や、重症度に応じた診察アプローチ（H&P症例 vs. ABC症例）の判断基準が示されています。時間がない中でも「通しの身体診察」を実践するための具体的な流れとして、頭部から始まり、頸部、胸部（呼吸音、心音）、腹部、背部、四肢、そしておおまかな神経診察に至るまでのポイントが詳細に解説されています。各部位の診察における所見の意義や、カルテ記載の具体例も示されており、実臨床での活用が期待される内容です。
さらに、副鼻腔の診察が敗血症性ショックの原因特定に繋がった事例や、腹部診察のコツ、DVT（深部静脈血栓症）予防のための下肢診察の重要性など、具体的な臨床メモが豊富に盛り込まれており、実践的なスキル習得に役立つでしょう。神経診察についても、効率的な進め方が紹介され、総合内科や救急医療で遭遇する機会の多いParkinson徴候の整理など、多岐にわたる情報が提供されています。
Podcast: Play in new window | Download
これは、I.M. MATTERS from ACP™ のMKSAPクイズで、髪の毛の損失に関するものです。
患者の提示: 25歳の女性が、5日間の頭皮の円形脱毛を訴えています。かゆみや灼熱感はありません。抜け毛の増加は報告されていませんが、数日前に髪を整えているときに脱毛斑に気づきました。過去に脱毛のエピソードはありません。彼女は1型糖尿病を患っており、インスリンで治療されています。
身体検査: バイタルサインは正常です。頭皮の所見が示されており（画像参照）、頸部または後頭部のリンパ節腫脹はありません。
質問: 最も可能性の高い診断は次のうちどれですか？
診断: 最も可能性の高い診断は円形脱毛症（オプションA）です。
根拠:
Podcast: Play in new window | Download
ざっくり何について書かれているのかを把握しやすいようなマインドマップにまとめてみました。情報の抽出にはCopilotを使用しました。ところどころおかしなところがあるのは把握しています。気が向いたら修正したいとは思っていますが、とりあえず、そのまま掲載しています。どこの項に知りたいことが書かれているのかを探す向きにはこういうまとめも有用だろうと思います。実務に重要なポイントは元の文章を確認する必要があります。
もとになったのは令和6年3月27日一部改訂版
pROCパッケージのaSAHデータを使用して、多変量ロジスティック解析を行い、outcomeを他の変数で予測する予測式を作成してみましょう。
以下は具体的な手順です：
まず、必要なパッケージをインストールして読み込みます。
install.packages("pROC")
install.packages("dplyr")
library(pROC)
library(dplyr)
library(ggplot2)
次に、aSAHデータを読み込みます。予測式を作成する際にはカテゴリーを1, 0 の数字に置き換えたほうがいいので、outcome, gender wfnsをダミー変数に変換します。wfinsは各値を別々のダミー変数wfns2, wfns3, wfns4, wfns5に置き換えました。これらすべてが0ならwfns1が1になるはず（欠測値が無い）という事で、wfns1は作成しませんでした。
data(aSAH, package = "pROC")
# outcome変数を数値型のダミー変数に変換
aSAH <- aSAH %>%
mutate(good_outcome = ifelse(outcome == "Good", 1, 0))
# gender変数を数値型のダミー変数に変換
aSAH <- aSAH %>%
mutate(gender_numeric = ifelse(gender == "Male", 1, 0))
# wfns変数のダミー変数を作成し、データフレームに追加
aSAH <- aSAH %>%
mutate(wfns2 = ifelse(wfns == 2, 1, 0),
wfns3 = ifelse(wfns == 3, 1, 0),
wfns4 = ifelse(wfns == 4, 1, 0),
wfns5 = ifelse(wfns == 5, 1, 0))
多変量ロジスティック回帰モデルを作成します。この例では、outcomeを他の変数で予測するモデルを構築します。
# ロジスティック回帰モデルの構築
model <- glm(good_outcome ~ gender_numeric + age + wfns2 + wfns3 + wfns4 + wfns5 + s100b + ndka,
data = aSAH, family = binomial)
# モデルの概要を表示 係数coefを抽出
summary(model)
summary_model <- summary(model)
coef_model <- summary_model$coefficients
# モデル
logit_P = coef_model[1] + coef_model[2]*aSAH$gender_numeric + coef_model[3]*aSAH$age +
coef_model[4]*aSAH$wfns2 + coef_model[5]*aSAH$wfns3 + coef_model[6]*aSAH$wfns4 +
coef_model[7]*aSAH$wfns5 + coef_model[8]*aSAH$s100b + coef_model[9]*aSAH$ndka
aSAH$logit_P <- logit_P
ステップ３までで、モデルに基づいて予測式を作成しました。
# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=outcome, y=logit_P, color=outcome)) +
geom_point() +
labs(title="aSAH Data: wfns vs s100b",
x="outcome",
y="logit_P value") +
scale_y_continuous(limits = c(-6, 7))
# とりあえずROCカーブを描いてみよう
# roc1 <- aSAH %>% roc(outcome, logit_P)
# ggroc(roc1)
# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=outcome, y=logit_P, color=outcome)) +
geom_point() +
labs(title="aSAH Data: outcome vs logit_P",
x="outcome",
y="logit_P value")+
scale_y_continuous(limits = c(-6, 7))
# ROC曲線の作成 s100b血清値でSAHの予後予測する設定
roc_obj <- roc(aSAH$outcome, aSAH$logit_P)
# ROC曲線のプロット
plot(roc_obj, main="ROC Curve predicting outcome of SAH using multivariate logistic model")
# AUCの計算
auc_value <- auc(roc_obj)
print(paste("AUC:", auc_value))
# 感度、特異度、陽性的中率、陰性的中率を計算
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity", "ppv", "npv"))
# 結果を出力
print(paste("感度:", coords_obj["sensitivity"]))
print(paste("特異度:", coords_obj["specificity"]))
print(paste("陽性的中率:", coords_obj["ppv"]))
print(paste("陰性的中率:", coords_obj["npv"]))
# 尤度比を算出、その前に改めて感度と特異度を取得
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity"))
sensitivity <- coords_obj["sensitivity"]
specificity <- coords_obj["specificity"]
# 陽性尤度比 (LR+) と 陰性尤度比 (LR-) を計算
positive_likelihood_ratio <- sensitivity / (1 - specificity)
negative_likelihood_ratio <- (1 - sensitivity) / specificity
# 結果を出力
print(paste("陽性尤度比 (LR+):", positive_likelihood_ratio))
print(paste("陰性尤度比 (LR-):", negative_likelihood_ratio))
# 最適な閾値を取得
best_coords <- coords(roc_obj, x = "best", ret = c("threshold", "sensitivity", "specificity"))
# 最適な閾値を表示
best_coords
データの散布図、教科書のロジスティック回帰のlogitの説明で見たことあるような雰囲気
結果のROC曲線です。結構いい。
その他性能や閾値です
まず、pROCパッケージを使用してROC曲線を作成し、AUCを計算する例を示します。
# パッケージのインストールと読み込み
install.packages("pROC")
library(pROC)
# サンプルデータの読み込み
data(aSAH)
# 散布図の作成 データの外観を確認する
ggplot(aSAH, aes(x=wfns, y=s100b, color=outcome)) +
geom_point() +
labs(title="aSAH Data: wfns vs s100b",
x="wfns value",
y="s100b value")+
scale_y_continuous(limits = c(0, 1))
# ROC曲線の作成 s100b血清値でSAHの予後予測する設定
roc_obj <- roc(aSAH$outcome, aSAH$s100b)
# ROC曲線のプロット
plot(roc_obj, main="ROC Curve predicting outcome of SAH using s100b value")
# AUCの計算
auc_value <- auc(roc_obj)
print(paste("AUC:", auc_value))
# 感度、特異度、陽性的中率、陰性的中率を計算
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity", "ppv", "npv"))
# 結果を出力
print(paste("感度:", coords_obj["sensitivity"]))
print(paste("特異度:", coords_obj["specificity"]))
print(paste("陽性的中率:", coords_obj["ppv"]))
print(paste("陰性的中率:", coords_obj["npv"]))
# 尤度比を算出、その前に改めて感度と特異度を取得
coords_obj <- coords(roc_obj, x="best", ret=c("sensitivity", "specificity"))
sensitivity <- coords_obj["sensitivity"]
specificity <- coords_obj["specificity"]
# 陽性尤度比 (LR+) と 陰性尤度比 (LR-) を計算
positive_likelihood_ratio <- sensitivity / (1 - specificity)
negative_likelihood_ratio <- (1 - sensitivity) / specificity
# 結果を出力
print(paste("陽性尤度比 (LR+):", positive_likelihood_ratio))
print(paste("陰性尤度比 (LR-):", negative_likelihood_ratio))
s100bでoutcomeを予測する予後予測の性能としての計算
このパッケージ、パイプを使うと、だいぶシンプルで見やすくなります
ここでは予測に上述のs100bの代わりにwfnsを使用してみました
data(aSAH)
library(dplyr) #パイプを使用するためにパッケージを使用
roc2.1 <- aSAH %>% roc(outcome, wfns)
ggroc(roc2.1)
| 関数名 | 説明 | 使用例 |
|---|---|---|
roc() | ROC曲線を作成 | roc(response, predictor) |
plot() | ROC曲線を描画 | plot(roc_object) |
auc() | ROC曲線のAUCを計算 | auc(roc_object) |
ci() | ROC曲線の信頼区間を計算 | ci(roc_object) |
coords() | ROC曲線上の特定の点の座標を取得 | coords(roc_object, "best") |
ggroc() | ggplot2を使用してROC曲線を描画 | ggroc(roc_object) |
roc.test() | ROC曲線の統計的な比較 | roc.test(roc_object1, roc_object2) |
smooth() | ROC曲線を平滑化 | smooth(roc_object) |
var() | ROC曲線のAUCの分散を計算 | var(roc_object) |
次に、ROCRパッケージを使用してROC曲線を作成し、パフォーマンスを評価する例を示します。
その前にiris データをプロット。ここではPetalLengthが5以上でvirginicaと判断する予測方法のパフォーマンスを調べるようにします
# 基本パッケージの読み込み
library(ggplot2)
# irisデータセットの読み込み
data(iris)
# 散布図の作成
ggplot(iris, aes(x=Petal.Length, y=Petal.Width, color=Species)) +
geom_point() +
labs(title="Iris Data: Petal Length vs Petal Width",
x="Petal Length",
y="Petal Width")
# パッケージのインストールと読み込み
# install.packages("ROCR")
library(ROCR)
# irisデータセットの読み込み
data(iris)
# 二値分類のためのデータ準備
iris_binary <- iris
iris_binary$Species <- ifelse(iris$Species == "virginica", 1, 0)
# 予測値としてPetal.Lengthを使用し、閾値５で二値化
predictions <- ifelse(iris_binary$Petal.Length >= 5, TRUE, FALSE)
labels <- iris_binary$Species
# Predictionオブジェクトの作成
pred <- prediction(as.numeric(predictions), labels)
# パフォーマンスオブジェクトの作成
perf <- performance(pred, measure = "tpr", x.measure = "fpr")
# ROC曲線のプロット
plot(perf, main="ROC Curve with Petal Width Threshold")
# AUCの計算
auc_value <- performance(pred, measure = "auc")
auc_value <- auc_value@y.values[[1]]
print(paste("AUC:", auc_value))
結果のプロット
結果が奇麗すぎ（データのプロット見たらわかるように、一つの変数で種をきれいに分離できますからね）