Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

探偵のジレンマ：データは嵐が来る前に予兆を捉えられるのか？

あなたは、突然の危険な嵐を予測しようとしている気象予報士だと想像してください。医学の世界、特にパラセタモール（一般的な解熱鎮痛剤）を過剰摂取して自傷行為を行った人々が病院に運び込まれた際の世界では、将来の自殺や再入院という「嵐」を予測できるかどうかについて、大きな論争があります。長い間、英国における公式なルールは「予測しようとするな」というものでした。その考え方は、医師が日々収集しているデータ（年齢、過去の受診歴、処方リストなど）は、あまりにもノイズが多く、誰がリスクにさらされているかを判断するには役に立たないというものでした。それは、雲のぼやけた写真を一枚見て、天気を当てようとするようなものです。専門家たちは、その写真には有用な判断を下すための細かなディテールが足りないと言っていました。

しかし、もしその写真の中に、実は「秘密のパターン」が隠されているとしたらどうでしょうか？ もし、スーパーインテリジェントなコンピューターの脳（機械学習）を使って、何千枚ものこうした「ぼやけた写真」を同時に観察することで、人間の目では見逃してしまうような形を見つけ出せるとしたら？ これこそが、科学者たちが問い続けていることです。彼らは、日常的に収集される健康データ（医師が書き留める退屈で当たり前の記録）の中に、実際に「悪い結果になる人」と「そうでない人」を分ける隠れたシグナルが含まれているのかどうかを知りたいと考えています。もし答えが「イエス」であれば、それは私たちが水晶玉を手に入れたことを意味するのではなく、まだ地図を捨ててしまうべきではなかったことを意味します。もし答えが「no」であれば、私たちは他に助けを求めるべき場所があることを確信できます。

パラセタモールの巨大なパズル：ノイズの中からシグナルを見つけ出す

この研究において、研究チームは「データは役に立たない」という説を検証することに決めました。彼らは魔法のようなツールを作って自殺を阻止しようとしたのではなく、単一の手がかりを探す探偵のように振る舞いました。彼らは、2017年から2023年の間に、NHSロシアン（スコットランド）の救急部門にパラセタモール過剰摂取で運ばれてきた4,095人の成人の診療記録を集めました。

これらの記録を、巨大なパズルボックスだと考えてください。その中には、患者が病院に到着した瞬間に医師がすでに知っているであろう37種類の情報が入っていました。年齢、居住地（その地域の困窮度を知る手がかりになります）、現在服用している薬、そして以前に精神科の専門医を受診したことがあるかどうか、などです。研究者たちは、これらのパズルのピースを「エラスティックネット・ロジスティック回帰」と呼ばれるスマートなコンピューターモデルに投入しました。このモデルは、大量の本を「悪い結果になる人々に関する本」と「そうでない人々に関する本」の2つの山に仕分けようとしている、非常に厳格な司書のようなものだと考えてください。

研究者たちは、患者が退院した後の3つの異なる期間を調査しました。

1. 最初の1週間（0〜7日）： 死亡、あるいは精神科病棟への入院があったか？
2. 次の1ヶ月（8〜30日）： トラブルは継続したか？
3. 丸1年間（31〜365日）： 最終的に嵐は来たのか？

大きな発見
結果は驚くべきものでした。コンピューターモデルは、確かにパターンを見つけ出したのです。完璧ではありませんでしたが、コイン投げよりも確実に優れたものでした。

• 最初の1週間において、モデルは患者を約**65%から82%**の割合で正しくランク付けできました（測定方法によります）。
• 8日から30日の期間では、**63%から90%**の間でした。
• 丸1年間の期間では、**71%から85%**の間でした。

統計学の世界では、50%というスコアは単なる推測に過ぎません。それを上回る数値は、モデルが実際に「何か現実的なもの」を見ていることを意味します。研究者たちは、モデルがリスクの高い人物を特定することに長けており、提示された数値が現実の経過と一致するようにする能力（これは「較正（キャリブレーション）」と呼ばれます）が非常に高いことを見出しました。

手がかりはどこから来たのか？
モデルが、ステレオタイプな探偵のように年齢や性別だけを見ていたと思うかもしれません。しかし、研究者たちはそれが主要なストーリーではないことを発見しました。モデルの真の「超能力」は、メンタルヘルスに関連する手がかりから来ていたのです。モデルは、以下のような項目から最良の推測を得ていました。

• 抗精神病薬や抗不安薬を処方されていたかどうか。
• 精神科医の診察を受けた履歴があるか。
• 統合失調症やアルコール関連肝疾患の診断があるか。
• 何種類の異なる薬を服用しているか（ポリファーマシー）。

年齢もモデルによって使用されていましたが、それは主役ではありませんでした。真のシグナルは、その人のメンタルヘルスの歩みという複雑な歴史の中に隠されていたのです。

この論文が言っていること（そして言っていないこと）

この研究が何を主張していないかを理解することは非常に重要です。著者たちは、今やどの個人が次に自殺を図るかを正確に予測できるようになったと主張しているのではありません。また、誰に治療を行うかを決定するために、明日から病院でこのコンピューターモデルを使用すべきだとも言っていません。

実際、彼らはそれに対して明確に警告を発しています。このモデルの精度は、たとえ偶然よりは高いとはいえ、個々の人間に対する最終的な判断を下すには不十分です。もしこのツールを一人に対して使用すれば、間違える可能性も依然としてあります。この論文は、「リスク予測ツールを一切認めない」という現在の英国のルールが、大事なものまで一緒に捨ててしまっている（「赤子を湯と一緒に流す」）可能性があると論じています。そのルールは、「データの中に有用なシグナルは存在しない」という考えに基づいたものでした。しかし、この研究は、有用なシグナルは存在するが、単独の「水晶玉」として機能するにはまだ力が足りないのだ、ということを示唆しています。

また、研究者たちは、彼らが使用した「退屈な」構造化データ（37個のチェックボックス）には限界があることも指摘しています。それは、映画をキャストリストと上映時間だけで理解しようとするようなものです。あなたは、プロットや感情、そして台詞を見逃してしまいます。その人のリスクに関する真に深い手がかり――例えば、具体的な思考、絶望感、あるいはサポート体制などは、通常、チェックボックスではなく、医師のメモにある**自由記述（フリーテキスト）**の中に書かれています。論文は、もし私たちが（自然言語処理と呼ばれる手法を用いて）コンピューターにこれらのメモを読ませることができれば、さらに強力なシグナルを見つけられる可能性があると示唆しています。

まとめ

では、結論はどうでしょうか？ 論文は、「日常的に収集される健康データには有用な予測シグナルが含まれていない」という考えは、正しくないと結論付けています。データにはシグナルが存在します。それは、高リスクの人々と低リスクの人々のグループを区別することができます。しかし、そのシグナルは現在、個々の人間に対して生死を分ける決定を下すには、あまりにも微弱です。

著者たちは実質的にこう言っています。「現在の章が完璧でないからといって、この研究の書を閉じてしまわないでください」。彼らは、データの活用によって命を救えるという考えを諦めるのではなく、おそらくはコンピューターに医師の「乱雑で人間的な部分」を読ませる方法を学ぶことで、研究を継続することを強く求めています。より良い予測への扉はまだ開かれています。ただ、そこを通り抜けるための、より優れた道具が必要なだけなのです。