A Latent Trajectory Analysis for Multivariate Outcomes with Mixed-Scale: Application to Alzheimer's Disease Neuroimaging Initiative

あなたは、自動車のエンジンのような複雑な機械が、時間の経過とともにどのように変化するかを理解しようとしていると想像してください。通常、整備士はパーツごとに一つずつ見ていきます。「オイル圧が下がっているか？」あるいは「温度が上がっているか？」といった具合です。しかし、現実の世界では、すべてはつながっています。オイル圧が下がっているのは、温度が上がった「せい」かもしれませんし、その両方が、特定の種類の燃料フィルターを備えた車にのみ起こる現象かもしれません。もしオイルのことだけを見ていれば、物語の全体像を見逃してしまいます。これは、アルツハイマー病の研究において科学者が直面している課題です。彼らには、膨大なデータがあります。それは、測定可能な数値（記憶力テストのスコアや体重など）と、「はい」か「いいえ」で答えるカテゴリー（高血圧であるか、あるいは特定の遺伝子マーカーを持っているかなど）の両方です。

長い間、統計学者は選択を迫られてきました。すべての数値をまとめて見るか、あるいはすべての「はい／いいえ」の回答をまとめて見るか、どちらか一方を選ぶ必要があり、両方を同時に見ることはめったにありませんでした。それは、バイオリンの音だけを聞いたり、ドラムの音だけを聞いたりして、オーケストラ全体を理解しようとするようなものです。問題はさらに複雑で、人々は皆同じ脚本に従うわけではないということです。アルツハイマー病を患う人々の中には、緩やかに衰退する人もいれば、急速に衰退する人もいます。また、何年も安定した状態を維持する人もいます。従来の数学的ツールは、誰もが「平均的な人」のわずかに異なるバージョンであると想定しがちですが、それではこうした重要な違いが隠されてしまいます。この論文は、楽器が異なる種類の音楽を奏でているときでも、オーケストラ全体を一度に聴くための新しい方法を紹介しています。

---

新しいツール：統計学の「スイスアーミーナイフ」

この論文の著者であるリンゼイ・R・サルバティとジョン・ウン・リーは、**混合潜在クラスプロファイルモデル（Mixed-LCPM）**と呼ばれる新しい統計ツールを構築しました。このモデルを、単に手がかりを見るだけでなく、その手がかりが時間の経過とともにどのように変化するかに基づいて、人々を「秘密のチーム」へとグループ分けする、非常に賢い探偵だと考えてください。

アルツハイマー病研究の世界において、科学者たちは**アルツハイマー病神経画像イニシアチブ（ADNI）**のデータを使用しています。これは、919人を48ヶ月間（約4年間）追跡した膨大な情報の集まりです。数ヶ月ごとに、これらの人々は記憶テスト（連続的な数値）を受け、血圧、BMI（体格指数）、および認知症の状態（カテゴリー形式の「はい／いいえ」または「高い／低い」）のチェックを受けていました。

このデータを分析する従来の方法は、赤と青の大理石が混ざった袋を、赤いものだけを見て、次に青いものを別々に見て仕分けようとするようなものでした。それだと、重い赤の大理石が、常に光沢のある青の大理石と一緒にやってくるという事実を見逃してしまうかもしれません。新しいMixed-LCPMモデルは、赤と青の大理石を同時に見ます。そしてこう問いかけます。「記憶スコアが低下する一方で、血圧が高いままの人たちは誰か？」「体重が重いにもかかわらず、記憶力が安定している人たちは誰か？」

探偵の仕組み：二層構造のシステム

このモデルは、著者らが**潜在クラス（latent classes）と潜在プロファイル（latent profiles）**と呼ぶ、隠れたグループを見つけ出すための巧妙な二段階のプロセスを使用しています。

1. スナップショット（潜在クラス）： 全員をある一瞬の時点での写真に収めることを想像してください。モデルはその写真を見て、その瞬間にどのような状態にあるかに基づいて人々を「クラス」に分類します。例えば、一つのクラスは「高記憶力・低血圧」、別のクラスは「低記憶力・高血圧」といった具合です。
2. 動画（潜在プロファイル）： 次に、これらと同じ人々の6年間の動画を見ているところを想像してください。モデルは、人々がどのように一つの「クラス」から別の「クラス」へと移動していくかを観察します。彼らは永遠に「高記憶力」グループに留まるのでしょうか？ それとも「低記憶力」から「高記憶力」へとジャンプするのでしょうか（数学的には可能ですが、実際には考えにくいことです）？ あるいは、「健康」から「障害あり」へとゆっくりと漂っていくのでしょうか？

これら二つのステップを組み合わせることで、モデルは**軌跡（トラジェクトリー）**を見つけ出します。モデルは単に「人物Aは病気である」と言うのではありません。「人物Aはあるグループに属しており、最初は健康で、しばらくの間健康を維持し、その後、特定の方法で急激に悪化した」と述べるのです。

彼らが発見したもの：5つのグループ、6つの物語

著者らがこのツールをADNIデータに適用したとき、患者たちは単に「悪化している」という漠然とした状態ではないことが判明しました。彼らは、記憶スコアと健康リスクの組み合わせに基づき、**5つの明確なグループ（潜在クラス）**に分類されました。

• グループ1： 高い記憶スコア、低血圧または肥満のリスク。 （「健康」グループ）。
• グループ2： 高い記憶スコア、しかし高血圧および肥満の高リスク。 （「健康だが不健康」グループ）。
• グループ3： 軽度の記憶問題、高血圧および肥満の高リスク。
• グループ4： 軽度の記憶問題、しかし高血圧および肥満の低リスク。
• グループ5： 全般的な深刻な記憶問題、および高い健康リスク。 （「重大な障害」グループ）。

しかし、本当の魔法は、彼らが軌跡（物語）を見たときに起こりました。彼らは、人々が辿った6つの異なる経路を発見しました。

1. 安定かつ健康： ずっとグループ1に留まっていた人々。
2. 安定だが不健康： グループ2（良好な記憶、悪い健康状態）にずっと留まっていた人々。
3. 安定した軽度かつ不健康： グループ3にずっと留まっていた人々。
4. 安定した軽度かつ健康： グループ4にずっと留まっていた人々。
5. 衰退者： （全体の約4.5%の人々で構成される小さなグループ）グループ4（軽度の障害、健康）から始まり、研究の終わりまでには、ほぼ確実にグループ5（深刻な障害）へと移行した人々。
6. 安定した障害： 障害のあるグループに留まり続けた人々。

なぜこれが重要なのか：目に見えないものを見る

この論文は、もし記憶スコア（数値）だけを見ていたならば、大きな違いを見逃していたであろうことを証明しています。例えば、「安定かつ健康」グループと「安定だが不健康」グループは、どちらも優れた記憶スコアを持っていました。もし記憶力だけを見ていれば、彼らは同じグループに見えたでしょう。しかし、新しいモデルは、一方は血圧が高く、もう一方はそうではないという事実を見抜きました。

同様に、軽度の記憶問題を持つ二つのグループは、記憶テストでは同じように見えましたが、一方は非常に肥満であり、もう一方はそうではありませんでした。研究者が「はい／いいえ」の健康データを無視していたならば、これらの決定的な違いを見逃していたはずです。

著者らはまた、シミュレーションを用いて、この新しいツールがどのように機能するかを確認しました。彼らは既知の答えを持つ偽のデータを作成し、モデルを実行しました。その結果、モデルは、特にデータ量が多い場合（1,000人など）において、正しいグループを見つけ出す能力が非常に高いことが示されました。モデルは、こうした複雑な数学において非常に強力な結果である、95%の確率で正しいパターンを特定できました。

限界と未来

著者らは、これは統計的な発見であり、医学的な治療法ではないという点に注意を払っています。彼らは、年齢、性別、教育、およびAPOE4アレル（遺伝子マーカー）の数が、どの「物語」に属する可能性が高いかと関連していることを発見しました。例えば、高齢者は「安定だが不健康」グループに属する可能性が、「安定かつ健康」グループと比較してわずかに低い傾向がありました。

しかし、論文ではいくつかの限界についても述べています。数学的な処理は難しく、時としてコンピュータが「局所解（ローカル・マキシマム）」に陥ることがあります。これは、登山家が小さな谷に迷い込み、そこを山の頂上だと思い込んでしまうような状態です。これを解決するために、著者らは真の最高峰を見つけ出すべく、異なる開始点を用いてモデルを100回実行しました。また、彼らのモデルは、欠損データ（例：医師の診察を逃したことによるデータ不足）がランダムであることを前提としているが、現実の世界では必ずしもそうではない可能性があることも指摘しています。

まとめ

この論文は、アルツハイマー病をどう止めるかを教えてくれるものではありません。その代わりに、科学者に「より優れた眼鏡」を提供しています。以前は、人々が皆「少し具合が悪そう」に見えていたかもしれません。しかし今、Mixed-LCPMを用いることで、その群衆が実は、それぞれ独自の歴史と未来の経路を持つ、明確なチームによって構成されていることが見えるようになりました。この明晰さは、将来的に医師が適切な患者に対して適切な臨床試験を選べるようにすることに役立ち、新しい薬をテストする際に、単なる「混迷した物語の混合物」ではなく、真に類似した人々に対してテストを行うことを保証できるはずです。