技術的概要：健康な献血者集団におけるメタボリックシンドロームのリスク予測のための警告システム

問題提起

メタボリックシンドローム（MetS）は、内臓脂肪型肥満、高血圧、高空腹時血糖、高トリグリセリド、低 HDL コレステロールといった複数の代謝リスク因子が同時に存在する複雑な臨床状態として特徴づけられる。これはしばしば静かに進行し、長期間診断されずに放置されるため、早期予防を妨げている。データ駆動型の早期スクリーニングツールは公衆衛生上の優先事項であるが、既存の研究は、すでに疾患を発症した個人からの横断データ、または縦断的ダイナミクスと不確実性の明示的なモデル化を欠く機械学習（ML）モデルに大きく依存している。

主に健康な集団からの縦断データを用いて MetS の「発症」を予測するという点に、特定のギャップが存在する。献血者は独特のコホートである：彼らは一般的に健康であり、定期的な詳細な臨床スクリーニングを受け、時間経過とともに繰り返し測定値を提供する。しかし、献血センターにおける標準的なスクリーニングは、通常、ドナーの現在の状態を反映するに留まり、将来の訪問に向けた前向きなリスク評価を提供するものではない。

方法論

データソースと前処理

本研究は、2019 年 1 月から 2023 年 9 月の間に 2,228 人のドナー（男性 1,907 人、女性 321 人）から収集された 11,556 回の訪問データを含む、AVIS ミラノ（Associazione Volontari Italiani del Sangue）からの縦断データセットを利用している。

• 目的変数: NCEP-ATP III によって定義された MetS の 5 つの診断構成要素：腹囲、収縮期血圧（$PMAX$）、空腹時血糖、トリグリセリド、HDL コレステロール。
• 共変量: モデルには、人口統計（年齢、性別）、身体測定（BMI、身長）、生活習慣因子（身体活動）、血液学的・生化学的マーカー（ヘモグロビン、フェリチン、ALT など）、および相互作用項（例：年齢 $\times$ 性別、BMI $\times$ 性別）を含む 34 の共変量が組み込まれている。
• 欠損データの処理: 腹囲は 48.5% の訪問で欠損していた。これらを除外する代わりに、著者らは欠損値をベイズ枠組み内のデータ拡張を通じて共同推定される潜在パラメータとして扱った。欠損率が 50% 未満の他の共変量は、連鎖方程式による多重補完（MICE）を用いて補完された。
• データ分割: 外側サンプル予測性能を評価するため、データを訓練セット（各ドナーの最後の観測を除くすべての観測）とテストセット（各ドナーの最新の観測）に分割した。

統計モデル：ベイズ多変量混合効果モデル

核心的な貢献は、5 つの MetS 構成要素の対数を共同モデル化するベイズ多変量混合効果モデルである。

• 構造: モデルは、$Y_{ij} \sim N_K(\mu_{ij}, \Sigma_Y)$ を仮定する。ここで、$Y_{ij}$ はドナー $i$ の訪問 $j$ における対数変換され標準化された MetS 構成要素のベクトルである。
• 線形予測子: $\mu_{ij} = x'_{ij}\beta + b_i$。ここで、$x_{ij}$ は共変量ベクトル、$\beta$ は回帰係数の行列、$b_i$ は観測されていない異質性を捉えるドナー固有のランダム切片ベクトルである。
• 変数選択: 高次元性を処理し、5 つの結果全体にわたる結合スパース性を促進するため、回帰係数 $\beta$ に対してホースシュー事前分布が割り当てられる。これにより、構造化された変数選択が可能となり、複数の MetS 構成要素にとって有益な係数を保持しつつ、無関係な係数をゼロ方向に縮小する。
• 共分散構造: モデルは 2 つの共分散行列を推定する：$\Sigma_Y$（単一の訪問における構成要素間の残差依存性）と $\Sigma_b$（ドナー固有のランダム切片間の相関）。
• 時間的ダイナミクス: 著者らは、不規則な間隔の訪問を考慮するために連続自己回帰（t-CAR）構造の追加を検討した。しかし、事後推定値は、典型的な献血間隔において時間的自己相関がほぼゼロに減衰することを示し、モデル比較（WAIC/LOOIC）は予測上の利点を示さなかった。したがって、最終モデルは、縦断的ダイナミクスを捉えるためにランダム切片と年齢の相互作用に依存し、簡潔性を優先している。
• 推論: 事後分布は、Stan を通じたハミルトニアンモンテカルロ（HMC）を用いて計算される。

信号機警告システム

確率的出力を臨床行動に変換するため、著者らは、次の訪問で MetS 基準を満たすことを示す指標 $S$ に関する事後予測確率 $P(S_{i, n_i+1} = 1 | \text{data})$ に基づく 3 段階の分類システムを開発した。

• 閾値設定: 訓練セットで Youden の J 統計量を通じて最適化された確率閾値 $t$ が使用される。
• 分類規則:
  • 緑（低リスク）: 事後平均と 95% 信頼区間の上限の両方が $t$ 未満である。
  • 黄（潜在的リスク）: 事後平均は $t$ 未満だが、上限が $t$ を超える。このカテゴリは不確実性と潜在的な高リスクを捉える。
  • 赤（高リスク）: 事後平均が $t$ を超える。
• 哲学: この予防的設定では、特異度よりも感度が優先される。「黄」カテゴリは偽陰性を最小化するためのバッファとして機能し、確率が決定的に高くなくてもドナーをより厳密な監視のためにフラグ立てる。

主要な結果

モデル性能

モデルは、710 人のドナー（完全な腹囲データを持つ者）に対して真実が利用可能な 2,228 人のドナーのテストセットで評価された。

• 感度: 信号機アルゴリズムは**感度 100%**を達成し、テストセット内の 66 件の真の MetS 症例すべてを「黄」または「赤」カテゴリに分類することで正しく識別した。
• 特異度と精度: システムは観測値の約 38% を中リスクまたは高リスクとしてフラグ立てし、特異度 67.9%、全体精度 70.8% となった。この保守的なアプローチは、リスクのある個人を見逃さないためのスクリーニングとして意図されたものである。
• 直接二値比較: モデルを厳密な二値分類（閾値 $t$）に強制した場合、感度 92.4%、特異度 85.2%、精度 85.9% を達成し、強力な基礎的な識別能力を示した。
• ML との比較: ベイズアプローチは、感度の面で標準的な分類器（ロジスティック回帰、LDA、KNN）および Light Gradient Boosting Machine（LGBM）を上回った。LGBM は 16 件、KNN は 19 件を見逃したが、ベイズモデルは信号機構成では 1 件も見逃さなかった。ただし、ML モデルは訓練が著しく速かった（数分対、ベイズ MCMC の約 3 時間）。

生物学的洞察

固定効果の事後分析は、確立された臨床知識を確認した：

• BMI、年齢、性別は、5 つすべてのバイオマーカーにおいて中心的な決定因子として浮き彫りになった。
• 性別差: 男性はほとんどの目的変数と正の相関を示したが、HDL とは負の相関を示した。BMI と性別の相互作用は、腹囲に対する BMI の効果が女性においてより強いことを示した。
• 新規関連: モデルは、HDL コレステロールに関連する赤血球指数（MCH、MCHC）に対して非ゼロの係数を同定し、微妙な血液学的変化が脂質異常症と共存する可能性を示唆した。
• 相関構造: 分析は、MetS 構成要素間の相関が、残差レベルよりもランダム切片レベル（被験者固有）で強いことを明らかにした。これは、代謝依存性が主に時間不変の個体特性（例：遺伝、長期的習慣）によって駆動され、短期的な変動によって駆動されるわけではないことを示している。

意義と主張

本論文は、その主要な貢献として、低有病率の健康な集団に特化した解釈可能な確率的警告システムの開発であると主張している。

• 臨床的有用性: システムは複雑なベイズ出力を単純な「信号機」形式に変換し、AVIS ミラノの臨床医が追加の侵襲的検査を必要とすることなく、通常の献血前スクリーニング中にリスクのあるドナーを特定することを可能にする。
• 予防的焦点: 健康な個人からの縦断データを活用することで、モデルは既存の疾患の診断から将来の発症の予測へと焦点を移し、早期の生活習慣介入を促進する。
• 不確実性の処理: 点推定を提供する標準的な ML 分類器とは異なり、ベイズ枠組みは（信頼区間を通じて）不確実性を明示的に定量化し、「黄」リスクカテゴリにとって重要である。これにより、不確実なケースを監視のためにフラグ立てて却下しないという、ニュアンスのあるアプローチが可能になる。
• 効率性: 著者らは、モデルは計算集約的（訓練に 3 時間）であるが、定期的な再訓練が可能であり、既存の献血データを活用することで、より侵襲的または高価なスクリーニング方法に対する費用対効果の高い代替手段を提供すると主張している。

著者らは一般化可能性については控えめであり、モデルは AVIS ミラノのコホートに特化して構築されており、より多様な集団での外部検証が必要であると指摘している。また、リスク閾値の選択は、異なる臨床的文脈で較正が必要となる可能性のある感度と特異度の間のトレードオフを伴うことも認めている。