Incorporation of Visit-to-Visit Blood Pressure Variability into Cardiovascular Disease Risk Prediction

この研究は、南西シドニーの 3,065 人の患者を対象としたコホート研究において、単一の血圧測定値に代えて診察間血圧変動性（VVV BPV）を心血管疾患リスク予測モデルに組み込むことで、特に 55 歳以上の集団における予測精度が有意に向上することを示しました。

要約

🩺 従来の方法：「一瞬の快照」の限界

これまでの心疾患（心臓病や脳卒中など）のリスク予測は、**「写真」**のようなものでした。

• 従来の考え方： 医師が診察に来たその瞬間、血圧を一度だけ測ります。「今日は 140 です」という1 枚の写真を見て、「この人は大丈夫（または危険）」と判断していました。
• 問題点： でも、人間の血圧は常に動いています。朝と夜、緊張した時とリラックスした時で大きく変わります。
  • 例え話：天気予報で「今、空は青いです」という1 枚の写真だけを見て、「明日も晴れでしょう」と予測するのは、少し危険かもしれません。実際には、その直後に激しい嵐が来るかもしれないからです。

🌊 新しい発見：「動画」で見る重要性

この研究では、**「動画」**を見ることにしました。

• 新しいアプローチ： 患者さんが過去に何回も病院に来た時の血圧データ（最低 5 回以上）をすべて集め、**「血圧がどれくらい激しく揺れ動いたか（変動性）」**を計算しました。
• 比喩：
  • 従来の方法（単一測定）： 川の流れを、ある一点でスナップショットを撮るだけ。
  • 新しい方法（変動性）： 川の流れを**「動画」**で見て、波がどれくらい荒れているか、水の流れがどれくらい不安定かを確認する。

🔍 研究の結果：「揺らぎ」が隠れた危険信号

オーストラリアの 3,000 人以上のデータを分析した結果、驚くべきことがわかりました。

1. 予測精度の劇的な向上：

   • 「1 回だけの血圧」だけで予測したモデルは、的中率が7 割程度でした。
   • しかし、「過去の血圧の揺らぎ（変動）」を取り入れたモデルにすると、的中率が8 割 3 分〜8 割 4 分まで跳ね上がりました。
   • イメージ： 天気予報の精度が、単なる「晴れマーク」から「嵐の予報」まで正確になったようなものです。

2. 「揺らぎ」自体が危険：

   • 血圧そのものが高いだけでなく、「安定しないこと」自体が、心臓や血管に負担をかけていることがわかりました。
   • 例え話：同じ重さの荷物を運ぶ時、**「一定のリズムで運ぶ人」と、「急に重くしたり軽くしたりして運ぶ人」**では、後者のほうが体が疲れやすく、怪我をするリスクが高いのと同じです。血圧の揺らぎは、血管にとっての「急な荷物の上げ下げ」のようなものです。

💡 私たちにとっての教訓

この研究が私たちに教えてくれることは、以下の 3 点です。

1. 「その時の血圧」だけを見て安心しない：
   診察で「今日は血圧正常です」と言われても、過去に血圧が激しく揺れていたなら、まだリスクがあるかもしれません。
2. 継続的な記録が宝物：
   血圧を測るたびに記録を残すことが、将来の病気を防ぐための「防犯カメラ」のような役割を果たします。
3. 若いうちからの対策：
   この研究は 55 歳未満の人を対象にしていますが、若い頃から血圧の「揺らぎ」をチェックすることで、将来の心疾患を未然に防げる可能性があります。

🚀 今後の展望

今後は、この「血圧の揺らぎ」を自動的に計算して、電子カルテ（病院の記録システム）に組み込むことが目指されています。
そうすれば、医師は「今日の血圧」だけでなく、「あなたの血圧の安定性」まで含めて、よりパーソナライズされたアドバイスができるようになります。

まとめると：
「血圧の**『一瞬の値』よりも、『過去の揺らぎ』**を見る方が、心臓の未来をより正確に予言できる」という、とても重要な発見でした。

技術概要

論文技術サマリー：心血管疾患リスク予測への「診察間血圧変動（VVV BPV）」の組み込み

1. 背景と課題 (Problem)

心血管疾患（CVD）は主要な死因の一つであり、その予防には正確なリスク層別化が不可欠です。現在の多くのリスク予測モデル（例：Framingham スコア、QRISK3 など）は、単一の血圧測定値に基づいてリスクを評価しています。しかし、血圧は診察ごとに大きく変動する（Visit-to-Visit Blood Pressure Variability: VVV BPV）ことが知られており、単一の測定値だけでは血管の動的な変化や真のリスクを捉えきれていない可能性があります。

既往の研究では、VVV BPV が CVD のリスク因子であることが示唆されていますが、実臨床で利用される電子健康記録（EHR）の縦断データを活用し、VVV BPV を組み込んだ新しいリスク予測モデルを開発・検証した研究は不足していました。特に、既存モデル（QRISK3 など）に SD を追加した試みは予測性能の向上につながらなかったという矛盾した報告もあり、VVV BPV の有効性と実用性についてさらなる検証が必要でした。

2. 研究方法 (Methodology)

研究デザインと対象

• デザイン: 前向きコホート研究。
• データソース: オーストラリア南西部の電子診療ベース研究ネットワーク（ePBRN）から得られた、GP（一般開業医）および病院の電子健康記録（EHR）。
• 対象者: 18 歳から 55 歳までの患者。
  • 基準日（ランドマーク年齢）を 55 歳とし、それまでに少なくとも 5 回の血圧測定記録があること。
  • 55 歳時点で既知の動脈硬化性 CVD がないこと。
  • 最終解析コホート：3,065 名（うち女性 45.41%）。
• 除外基準: 55 歳以降のフォローアップがない者、データ欠損が著しい者など。

変数と指標

• 説明変数（予測因子）:
  • 基本モデル：性別、喫煙、空腹時血糖、BMI、TC/HDL 比、eGFR、家族歴、高血圧・糖尿病の有無、単一の収縮期血圧（SBP）測定値。
  • 縦断モデル：単一 SBP を、VVV BPV に置き換えたモデル。
    • VVV BPV の指標：標準偏差（SD）および変動係数（CV）。
    • 閾値：既往研究に基づき、SBP の SD >19 mmHg、DBP の SD >11 mmHg、SBP の CV >14%、DBP の CV >12% としてカテゴリ化。
• アウトカム: 55 歳以降の最初の CVD 発症（冠動脈疾患、脳血管障害、心不全、末梢動脈疾患の致命・非致命例）。
• 追跡期間: 平均 4.26 年（最大 5 年）。

統計解析

• モデル構築: Cox 比例ハザード回帰モデルを使用。
• 欠損値処理: 多重代入法（MICE）を用いて 20 個のデータセットを生成。
• 検証手法: 10 回交差検証（10-fold cross-validation）。
• 評価指標:
  • 識別力（Discrimination）: ハレルの C 指数（Harrell's C-index）、5 年間の時間依存型 AUC。
  • 較正（Calibration）: 較正勾配、ブライアースコア（Brier score）。

3. 主要な結果 (Key Results)

対象集団の特性

• 平均血圧測定回数は 10.8 回（±8.6）、平均追跡期間は 4.26 年。
• 追跡期間中に 231 名（7.54%）が CVD を発症。

モデル性能の比較

VVV BPV を組み込んだモデルは、単一血圧測定値のみを用いたモデルと比較して、著しく高い予測精度を示しました。

1. 識別力（Harrell's C-index）:

   • 単一 SBP モデル: 0.716 (95% CI: 0.658 - 0.775)
   • VVV BPV (SD) モデル: 0.833 (95% CI: 0.804 - 0.862)
   • VVV BPV (CV) モデル: 0.837 (95% CI: 0.810 - 0.864)
   • 単一 SBP モデルから VVV BPV モデルへの変更により、C 指数が大幅に向上しました。

2. 5 年予測の AUC:

   • 単一 SBP モデル: 0.757
   • VVV BPV (SD) モデル: 0.852
   • VVV BPV (CV) モデル: 0.856
   • 単一 SBP と VVV BPV を併用しても、VVV BPV 単独モデルと同等の性能にとどまり、追加の利益は確認されませんでした。

3. 較正とブライアースコア:

   • 較正勾配やブライアースコアにモデル間で有意な差は見られず、どちらのモデルも過小・過大評価の傾向はなかった（較正は良好）。
   • ただし、識別力（リスクを正しく区別する能力）において VVV BPV モデルが優位でした。

4. 収縮期（SBP）と拡張期（DBP）:

   • DBP の変動を用いたモデルは、SBP のみを用いたモデルよりもわずかに高い予測性能を示しました。
   • SBP と DBP の両方の変動を組み合わせることで、最も高い予測指標が得られました。

4. 主な貢献と意義 (Key Contributions & Significance)

科学的・臨床的貢献

1. 予測精度の劇的向上: 従来の「単一血圧値」に代わり、「診察間血圧変動（VVV BPV）」をリスク予測モデルに組み込むことで、CVD 発症の識別力が著しく向上することを実証しました。
2. EHR データの活用: 日常診療で収集される EHR の縦断データ（複数回の血圧記録）を有効活用し、動的なリスク評価が可能であることを示しました。
3. 指標の妥当性: 標準偏差（SD）と変動係数（CV）の両方が有効であることを示しましたが、特に CV は平均値に正規化された指標であるため、ベースライン血圧が異なる集団間での比較において有利である可能性が示唆されました。
4. DBP 変動の重要性: 拡張期血圧の変動が CVD リスクと強く関連している可能性を再確認し、既往のメタ分析結果を支持しました。

実務・政策への示唆

• EHR システムへの統合: 一般開業医（GP）の EHR システムに、VVV BPV を自動計算し、動的な CVD リスクスコアとして表示する機能を組み込むべきです。
• 若年層への予防: 55 歳未満の若年・中年層において、単一の血圧値だけでなく、経時的な変動をモニタリングすることで、血管老化や CVD の早期兆候を捉え、よりパーソナライズされた予防介入が可能になります。
• 服薬遵守の指標: VVV BPV は抗高血圧薬への服薬遵守度（アドヒアランス）の低下とも関連しているため、リスクスコアに組み込むことで、治療の最適化や服薬指導の必要性を判断する補助指標としても機能します。

限界と今後の課題

• 本研究は 55 歳未満のデータに基づき、55 歳以降のリスクを予測するモデルであり、より若年層や高齢者全体への一般化にはさらなる検証が必要です。
• 欠損値の多さによる多重代入の影響や、特定の慢性疾患を持つ患者に偏ったコホートである可能性（選択バイアス）が指摘されています。

結論

この研究は、心血管疾患リスク予測において、単一の血圧測定値を捨て、診察間血圧変動（VVV BPV）を指標として採用することが、予測精度を飛躍的に高めることを実証しました。これは、EHR を活用した動的なリスク評価システムの構築と、より効果的な一次予防戦略の実現に向けた重要な一歩となります。