Machine learning approach to evaluate the significance of clinical factors and laboratory markers in predicting postpartum hemorrhage

毎年、何百万人もの女性が出産を迎えますが、そのほとんどの場合、出産プロセスは管理可能な程度の出血で終了します。しかし、かなりの数の女性にとって、この出血は過度で命に関わるものとなり、「産後出血」として知られる状態に陥ります。これは依然として世界における妊産婦死亡の主要な原因であり、毎年数千人の命を奪っています。医学的な課題は、この事象の予測不可能性にあります。医師は広範なリスクグループを特定することはできますが、どの女性がいつ危険な出血を起こすのかを、実際に起こる前に正確に突き止めることに苦慮しています。この溝を埋めるために、研究者たちは、コンピュータが膨大なデータの中からパターンを見つけ出す方法を学習する人工知能の一分野である「機械学習」に目を向けました。母親の健康状態、妊娠中の経過、そして血液検査に関する数千もの詳細な情報をコンピュータに読み込ませることで、人間の医師が見逃してしまうような微細な警告サインを、機械が察知できるのではないかという期待が込められています。

イランの研究チームは、これらのコンピュータモデルが、テヘランの2つの主要な病院から得られた実世界のデータを用いて、産後出血を予測することに成功するかどうかを検証することに乗り出しました。彼らは、年齢、既往歴、分娩方法、そして出産直後に採取された特定の臨床検査結果を含む、604人の出産経験者の幅広い情報を収集しました。研究者たちは、体がストレスを受けている際や酸素が十分に供給されていない際に上昇する物質である「血清乳酸」や、血液凝固に不可欠なタンパク質である「フィブリノゲン」のレベルといった指標に特に注目しました。彼らは参加者を、出血を経験したグループと経験しなかったグループの2つに分け、データが出血が発生する前にこれら2つのグループを確実に区別できるかどうかを、さまざまな機械学習アルゴリズムを用いて検証しました。

研究の結果、特定の要因が確かに出血の発生と関連していることが明らかになりました。研究者たちは、産後出血を経験した女性は、経験しなかった女性と比較して血清乳酸の値が有意に高いことを発見しました。また、この状態は妊娠高血圧腎症（高血圧を伴う妊娠合併症）を持つ女性においてより一般的であり、早産や過去の帝王切開歴がある女性においてはより少ないことも観察されました。これらの知見は、身体のストレスに対する生理学的反応と血液を固める能力が、問題の中心であるという考えと一致しています。データは、これらの特定の生物学的マーカーと結果との間に明確な関連性があることを示しており、身体が出血性の危機に向かっている際に、測定可能な信号を発していることを示唆しています。

しかし、研究者がこれらの信号を用いて事象を予測するよう機械学習モデルに求めたところ、結果ははるかに芳しくないものでした。生データの中に明確な関連性が見られたにもかかわらず、コンピュータモデルはどの女性が出血を発症するかを正確に特定することに失敗したのです。最も優れた性能を示した「ロジスティック回帰」と呼ばれる統計手法は、リスクの順位付けにおいてランダムな推測よりもわずかに優れた成績を収めましたが、実際の出血事例のほとんどを見逃しました。実用的な観点から言えば、これらのモデルは非常に慎重すぎて、ほぼすべての女性を「安全」とラベル付けしてしまい、実際にリスクのある数少ない女性を事実上無視してしまいました。複雑なパターンを見つけ出すように設計された他の高度なアルゴリズムも、それ以上の性能を示すことはなく、多くの場合、出血の事例を一つも検出できない一方で、健康なままの大多数の女性を正しく識別していました。

研究者たちは、測定された生物学的マーカーは産後出血と強く関連しているものの、それら単独では信頼できる予測ツールを構築するには不十分であると結論付けました。コンピュータモデルは数値の中にある関連性を見ることはできましたが、その関連性を個々の患者に対する有用な警告システムへと変換することはできませんでした。これは、医学における困難な現実を浮き彫りにしています。すなわち、ある症状と疾患の間の相関関係を見つけることが、直ちにコンピュータがその疾患が起こる前に予測できることを意味するわけではないということです。この研究は、これらの臨床検査が、出血の発生中または発生直後の患者の状態を理解するためには価値があるものの、出血が始まる前にそれを止めるための鍵にはならない可能性があることを示唆しています。機能する予測システムの構築への道は、より多くのデータ、異なる種類の情報、そしておそらく、深刻な出血が通常の出産と比較して稀な事象であるという事実をどのように扱うかという、より良い手法を必要としているのでしょう。