Development and Validation of a Machine Learning Model Integrating SPECT MPI Multiparametric Features for Risk Prediction in Coronary Artery Disease with Preserved Ejection Fraction

あなたの心臓を、活気ある都市だと想像してみてください。長い間、医師たちは都市の主要な送電網（動脈）や、中央エンジンの強度（ポンプ機能）をチェックする専門家でした。しかし、エンジンが書類上では強力に見えるのに、都市の各街区が苦境に立たされている場合はどうなるでしょうか？これが、冠動脈疾患（CAD）を抱えながらも「保持された」ポンプ機能を持つ患者たちのパズルです。彼らの心臓はしっかりと収縮していますが、細い道路（微小血管）が詰まっていたり、壁が硬くなっていたり、リズムがわずかに狂っていたりするため、突然のトラブルに見舞われるリスクが高いのです。それは、エンジンは完璧に回転しているのに、目に見えないパンクしたタイヤを履いている車のようなものです。

これを解決するために、科学者たちはSPECT MPIと呼ばれる特別なカメラを使用します。これは単なる写真ではなく、心臓がどれだけの燃料（血液）を得ているか、そして壁がいかにスムーズに動いているかを示すヒートマップだと考えてください。かつて、医師たちはこれらのマップを、一つの手がかりを確認するように一つずつ見てきました。しかし、人間の脳は数十の手がかりを同時に扱うのが苦手です。そこで登場するのが機械学習です。これは、数千もの手がかりを同時に見つけ出し、人間が見逃してしまう隠れたパターンを見つけ出す、超スマートなデジタル探偵です。この研究は、シンプルかつ極めて重要な問いを投げかけています。「このデジタル探偵に、心臓の燃料マップ、形状、そしてリズムを一度に観察させ、エンジンが正常に見える場合でも、誰が危険にさらされているかを予測させることはできるだろうか？」

---

デジタル探偵と心臓の秘密の地図

山西医科大学第一附属病院で行われた研究において、研究チームは、心拍がまだ強い心臓疾患患者のための、超強力な予測ツールを構築することに決めました。彼らは、安静時SPECT MPIという特定の種類の心臓スキャンを受けた1,675人の患者からデータを収集しました。これらの患者は冠動脈疾患の疑いがありましたが、その心臓の駆出率は50%以上を維持していました。

研究者たちは、年齢や血圧といった明らかな情報だけを見たわけではありません。彼らはコンピュータに膨大な情報のビュッフェを与えました：

• 患者の既往歴： 過去に脳卒中や心筋梗塞を起こしたことがあるか？ 喫煙しているか？ コレステロール値はどうか？
• 心臓の形状と動き： 心臓はどの程度丸いか？ 血液はどのくらいの速さで充満するか？ 心拍のリズムは同期しているか、それとも混沌としているか？
• 燃料マップ： 心筋のどれだけの部分が血液不足に陥っているか？

その後、チームは10種類の異なる機械学習アルゴリズム（異なる思考スタイルを持つ10人の異なる探偵と考えてください）を訓練し、誰が主要心血管イベント（MACE）を経験するかを予測させました。MACEとは、死亡、新しい心筋梗塞、脳卒中、あるいは緊急手術の必要性といった、悪い結果を指す恐ろしい言葉です。

勝者：CatBoost

数値を走らせた後、研究者は、一人の探偵が群れの中から抜きん出ていることを見出しました。それは「CatBoost」と呼ばれるモデルです。

他のモデルが混乱したり、訓練データを暗記しようとしすぎたり（オーバーフィッティングと呼ばれる問題）した一方で、CatBoostは安定していました。502人の患者を含むテストグループにおいて、CatBoostは63.2%の精度で結果を正しく予測しました。このモデルは、警告を鳴らしすぎる（誤報を出す）ことなく、危険を察知する能力のバランスを保つことができました。モデルの性能スコア（AUC）はテストグループで0.629であり、著者らは、患者が薬をどれほど忠実に服用しているかといった多くの要因が結果を左右し得る、このような複雑で現実世界の課題においては、これは現実的な結果であると述べています。

最も重要な9つの手がかり

この研究の最もエキサイティングな部分は、研究者が単なる「ブラックボックス」の答えを得たのではない点です。彼らはSHAPと呼ばれる手法を用いて、モデルの脳内を覗き込み、なぜその決定を下したのかを確認しました。その結果、9つの特定の手がかりが、トラブルを予測する上で最も重要であることが分かりました：

1. 心脳血管疾患の既往歴： 患者が以前に心臓や脳の問題を抱えていた場合、リスクが高まります。
2. 年齢： 高齢の患者ほどリスクが高くなります。
3. ピーク充満率（PFR）： これは心臓がどのように弛緩し、血液を充満させるかの速さを測定します。充満速度が遅い（数値が低い）ことは警告サインとなります。
4. 低密度リポタンパク質（LDL）コレステロール： 「悪玉」コレステロール値が重要になります。
5. 全灌流欠損（TPD）： これは燃料マップ上の「暗いスポット」の大きさです。燃料が不足している領域が大きいほど、リスクは高くなります。
6. 離心率（非ゲート型）： これは心臓の形状を表します。心臓が通常の形状ではなく、より球状（丸く）なっている場合、それは悪い兆候です。
7. エントロピー： これは心臓の機械的なリズムがどれほど混沌としているかを測定します。エントロピーが高い（より混沌としている）ことは、高いリスクを意味します。
8. 50%以上の冠動脈狭窄： 主要な動脈が半分以上ブロックされている場合。
9. NYHA心機能分類： 心臓の症状によって、患者の日常生活がどの程度制限されているか。

モデルが見つけたもの（そして見つけられなかったもの）

この研究は、標準的なポンプテストで心臓が強く見える場合でも、乱れたリズム（エントロピー）、硬い充満率（PFR）、そして大きな燃料欠損（TPD）の組み合わせが、患者が危機に瀕していることを示す信号になり得ることを示唆しています。CatBoostモデルは、これらの臨床的および画像的な手がかりをうまく統合し、リスクスコアを作成することに成功しました。

しかし、著者らはこれを魔法の杖と呼ぶことには慎重です。彼らは、テストされた10個のモデルの中で最高であったとはいえ、モデルの精度は完璧ではないと指摘しています。現実世界では、患者がどれほど厳格に食事や薬の服用を守っているかといった、スキャンでは見えない多くの事象に依存するため、出来事を予測することは困難です。モデルは、XGBoostやLightGBMのような複雑なアルゴロリズムが、実際にはテストグループにおいてパフォーマンスが悪かったことも示しており、これはおそらく、それらが訓練データに集中しすぎてしまい、汎用性に欠けたためです。

また、この研究には限界もあります。これは「後ろ向き（レトロスペクティブ）」の研究であり、つまり研究者が新しい患者を前向きに追跡するのではなく、古い記録を振り返ったものであることを意味します。また、「ストレス（負荷）」スキャン（心臓が激しく働いている状態）ではなく、「安静時」スキャン（患者が静止している状態）のみを使用しました。それにもかかわらず、安静時のスキャンには、将来のイベントを予測するための心臓の形状や弛緩に関する貴重な手がかりが含まれていました。

まとめ

この論文は、心臓病を解決したと主張しているわけではありません。代わりに、私たちがすでに持っているデータを、よりスマートに見るための新しい方法を提示しています。CatBoostという機械学習モデルを使用することで、医師は将来的に患者の心臓スキャンを見て、「あなたのポンプ機能は強力ですが、心臓のリズムと燃料マップは、あなたがより高いリスクにあることを示しています」と言えるようになるかもしれません。これにより、医師は誰をより注意深く監視すべきか、あるいはより積極的な治療を行うべきかを判断できるようになり、複雑で多次元的なパズルを、患者にとって明確で実行可能な計画へと変えることができるのです。