Generalizing Major Adverse Cardiovascular Events (MACE) Prediction Across Study Designs Using Ensemble Transfer Learning in 4.2 million US Veterans

心臓疾患は依然として米国における主要な死因であり、およそ4人に1人の命を奪っています。何十年もの間、医師たちは、心臓発作、脳卒中、あるいは心血管系の原因による死亡といった重大な心血管イベントを予測するために、確立されたリスク要因に頼ってきました。これらの要因には、年齢、性別、高血圧、糖尿病、およびコレステロール値が含まれます。これらのガイドラインは多くの命を救ってきましたが、異なる集団に適用された場合や、データの基盤となる医学研究のタイプが異なる場合には、うまく適応できないことがよくあります。ある患者グループで学習されたモデルは、データの収集方法によって隠れたバイアスが生じたために、別のグループで使用した際に失敗してしまうことがあります。現代医学の課題は、正確であるだけでなく、多様な集団や変化するヘルスケアシステムにおいても機能するほど堅牢な予測ツールを構築することです。

これに対処するため、ロスアラモス国立研究所と様々な退役軍人省（VA）医療センターの研究チームは、420万人の米国退役軍人の電子診療記録を含む膨大なデータセットを活用しました。彼らの目標は、異なる研究デザインから学習し、その知見を現実世界の患者に一般化できる、重大な有害心血管イベント（MACE）を予測する新しい手法を作り出すことでした。彼らは、病気の生物学的な原因を見つけることに焦点を当てたものと、広範な集団のスクリーニングに焦点を当てたものという、2つの非常に異なる患者データの見方を組み合わせることで、どちらか一方の方法単独で達成できるよりもはるかに強力な予測ツールを構築できることを発見しました。

研究者たちは、数百万人もの患者の7年半にわたる病歴を含むデータセットを用いて作業しました。彼らは、将来的に心臓発作、脳卒中、または心血管関連の死亡を経験するかどうかを予測する必要がありました。これを行うために、検査結果、血圧などのバイタルサイン、診断名、投薬、および患者の受診頻度を含む幅広い情報に注目しました。彼らはこれらの情報を、予測日へと至るタイムブロックに整理し、各患者の健康状態の詳細なタイムラインを作成しました。

チームは根本的な問題に直面しました。異なる種類の医学研究は、健康の異なる側面を捉えているということです。「後ろ向き症例対照研究」として知られる研究タイプは、疾患の生物学的な駆動要因を特定することに優れています。この設計では、研究者は心血管イベントを起こした患者を、年齢や受診頻度などの要因を厳密にコントロールした上で、イベントを起こしていない類似の患者とマッチングさせます。このマッチングにより、ヘルスケア利用パターンのノイズが取り除かれ、生物学的なシグナルが明確に浮かび上がります。しかし、これらのマッチングされたグループは、必ずしも一般の診療現場で見られる一般人口と一致するわけではありません。

もう一つのタイプである「前向きスクリーニング・コホート」は、日常的な診療の中で見られる幅広い患者グループを観察します。この設計は、一部の人が頻繁に受診し、他の人がほとんど受診しないという事実を含め、現実世界を反映しています。これは人口統計学的なリアルな姿を提供しますが、受診の頻度が病状の重さと結びついているため、データはしばしば「ノイズ」が多くなり、疾患そのものと、ケアを求める行動を分離することが困難になります。

研究者たちは、これらの一方の手法のみを使用しようとすることは限定的であると気づきました。代わりに、彼らは「アンサンブル転移学習」と呼ばれるフレームワークを開発しました。まず、複数の異なる機械学習モデルを後ろ向き症例対控研究を用いて学習させ、心臓疾患の純粋な生物学的駆動要因を学習させました。次に、これらのモデルを、前向きスクリーニング・データを用いて「微調整（ファインチューニング）」しました。このプロセスにより、モデルは学習した核となる生物学的洞察を失うことなく、現実世界のヘルスケア利用パターンに適応することができました。これは、音楽家が静かなスタジオで曲を練習して音符をマスターした後、音量やタイミングを会場に合わせて調整しながら、音楽自体を失うことなく騒がしいコンサートホールで演奏する様子に似ています。

結果は顕著でした。研究者が2017年の退役軍人の前向きコホートを用いて新しい結合モデルをテストした際、これらのモデルは高い精度を達成し、従来の標準的な手法よりも、心血管イベントを起こす者と起こさない者をより正確に区別できました。モデルは特に、従来のツールが見逃しがちであった高リスク患者の特定において優れていました。さらに、モデルは男女、および異なる人種や民族を含む異なるデモグラフィック・グループに対しても精度を維持していました。

本研究の重要な発見は、注意深くマッチングされた後ろ向きグループで特定された心臓疾患の生物学的駆動要因が、より広範な前向きグループで見られるものと一致していたことです。これは、疾患の核心的なメカニズムは安定しており、あるタイプの研究から学習して別の研究へ成功裏に適用できることを示唆しています。また、本研究は、変数間の複雑な相互作用を捉えることができる非線形モデルが、従来の線形モデルよりも優れた性能を示すことも明らかにしました。これらの高度なモデルは、高血圧と胸痛の既往歴といった要因の組み合わせが、個々の要素の総和よりも大きなリスクを生み出すということを理解することができました。

研究者たちは、モデルが欠損データをどのように扱うかも調査しました。電子診療記録では、特定の検査結果が欠落していることは一般的です。研究では、検査結果の不在自体が情報を持つ場合があることが分かりました。例えば、血圧チェックが長い間行われていない場合、それはヘルスケアへの関与の欠如を示唆しており、それ自体がリスク要因となります。新しいモデルは、これらの「欠落のパターン」を利用して予測を向上させることができましたが、古いモデルは欠損データを単なるエラーとして無視する傾向がありました。

この研究は、生物学的な根拠に基づき、かつ実用的な臨床予測ツールを構築することが可能であることを証明しています。異なる研究デザインがそれぞれ異なる強みを持っていることを認識することで、研究者たちは、マッチング研究の精密さと、広範なスクリーニングの現実味の両方を活用するシステムを作り上げました。結果として得られたモデルは、単に正確であるだけでなく、より適応力があります。ヘルスケアシステムが変化し、新しい治療法が導入され、患者層が進化しても、これらのモデルは比較的少ない労力で更新でき、常に有用であり続けることができます。

本研究は、数百万人の患者の長期的な記録を提供する米国退役軍人省のデータを使用して実施されました。退役軍人の集団は主に男性で高齢層ですが、ここで開発された手法は、あらゆる大規模なヘルスケアシステムにおけるリスク予測を改善するための一般的な戦略を提供します。研究者たちは、このアプローチが他の慢性疾患や複雑な医学的問題にも適用可能であり、より信頼性が高くパーソナライズされた医療への道筋を示すものであると示唆しています。異なる研究デザインの最善の部分を組み合わせることで、チームは、機械学習が単なるパターンマッチングを超えて、人間の健康の複雑さを真に理解するツールを生み出せることを示しました。