Methods for Development and Validation of Individual- Level Clinical Prediction Models for Multi-State Processes: A Methodological Scoping Review
この方法論的スコーピングレビューは、マルチステート・プロセスにおける個人レベルの臨床予測モデルの開発と検証に関する105件の研究を体系的に要約したものであり、マルコフ過程のモデル仕様における実質的な進展を強調する一方で、サンプルサイズの決定、欠損データの取り扱い、および包括的な検証といった領域における決定的なギャップを明らかにしている。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
医学の世界において、未来を予測することは絶え間ない挑戦です。医師は、今後10年間に心臓発作が起こる可能性など、単一の事象が発生する確率を推定するツールに頼ることがよくあります。これらのツールは、年齢、体重、喫煙習慣といった患者の現在の情報を取り込み、リスクスコアを算出します。しかし、人間の健康は決して直線的なものではありません。患者は時間の経過とともに、さまざまな異なる健康状態を通過していくことがよくあります。人は健康であり、次に慢性疾患を発症し、次に合併症を経験し、最終的に末期状態に至ることもあります。時には、これらの事象は互いに競合することもあります。ある疾患が発達する前に、別の原因で患者が亡くなってしまうこともあるのです。こうした複雑な道のりを理解するために、科学者は「マルチステートモデル（多状態モデル）」と呼ばれる枠組みを使用しています。これは、単一の目的地だけでなく、患者が辿る全行程、つまり立ち寄る場所や到着する順番までも追跡する地図のようなものだと考えてください。その目的は、この地図を用いて、個人の具体的な未来を予測することです。単に病気になるかどうかだけでなく、次にどの状態になるのか、そしてそこにどのくらいの期間留まる可能性があるのかまでを予測することを目指しています。
マンチェスター大学の研究チームは最近、科学界が個々の患者のためのこうした予測地図をいかに構築しているかを調査することを目的として研究を行いました。彼らは、これらの複雑なモデルを作成およびテストするための手法がどのようなものがあるかを確認するため、既存の研究に関する包括的なレビューを実施しました。研究者たちは数千件の学術論文を検索し、個人のリスクに焦点を当てていないものや、空間パターンのような特定の種類のデータのみを扱うものを除外しました。厳格なスクリーニングプロセスの後、彼らはこれらのマルチステート予測モデルを構築またはテストするための新しい手法を提示している105件の研究を特定しました。彼らの調査により、強みを持つ領域がある一方で、驚くほど静かな領域もあるという現状が明らかになりました。
このレビューでは、研究の大部分が「マルコフ過程」として知られる特定のタイプのモデルに焦点を当てていることが分かりました。このアプローチでは、次に何が起こるかの予測は、患者がいかに長くそこに留まっていたか、あるいはどのような経路を経てそこに到達したかを無視し、現在の状態のみに依存します。研究者たちは、これらのマルコフモデルの開発に捧げられた論文が55件あることを発見しました。これらの研究は、最も重要な患者因子を選択する方法や、データをモデルに適合させる方法など、数学的な処理を行うための様々な技術を提供しています。また、現在の状態に滞在する時間が重要となる「セミマルコフモデル」に関する論文が18件、そして患者の全履歴を考慮する「非マルコフモデル」に関する論文が14件ありました。さらに、プロセスがどのように機能するかについての特定の仮定に依存しない手法を提案している研究は計11件と少数であり、プロセスをステップごとにモデル化せずに特定の将来時点でのリスクを推定する「疑似値（pseudo-values）」に焦点を当てた論文は7件でした。
これらのモデルを構築する進展にもかかわらず、研究者たちは、パイプラインの残りの部分に重大な欠落があることを発見しました。科学者たちはこれらの複雑なモデルを構築する方法を多く開発してきましたが、それらを信頼性高く構築するために必要なデータ量を決定する方法に取り組んだ研究は極めてわずかでした。構築に焦点を当てた105件の論文のうち、マルチステート予測のための必要なサンプルサイズを算出する方法を提示したものは一つもありませんでした。同様に、患者の情報が不完全である「欠損データ」という一般的な問題に対処した論文も、わずか2件でした。また、レビューでは、これらのモデルを定義する複雑なイベントの連鎖における情報の欠落をどのように扱うべきかについてのガイダンスも不足していることが強調されました。
おそらく最も衝撃的な発見は、バリデーション（妥当性確認）に関する研究の少なさでした。予測の世界において、バリデーションとは、モデルが実際に現実世界で機能するかどうかを確認するプロセスです。研究者たちは、これらのマルチステートモデルの検証手法に焦点を当てた研究がわずか4件しかないことを発見しました。これら数少ない論文は、モデルがハイリスクとローリスクの患者をどの程度識別できるか、あるいは予測された確率が現実とどの程度一致しているかについて検討していました。著者らは、モデルを構築するための道具は多く存在する一方で、特に複数の異なる健康状態にわたって、また時間の経過とともにその性能を評価するという点において、それらをテストするための堅牢な方法が不足していると指摘しました。
レビューは、複雑な健康の道のりを記述するための数学的な仕組みは進歩してきたものの、これらのモデルを臨床で使用する際に安全かつ信頼できるものにするために必要な実用的なツールは、依然として未発達であることを結論付けています。研究者たちは、今後の研究においてこれらのギャップを埋めることを優先すべきであると示唆しています。科学者は、どれだけのデータが必要か、欠損情報をどのように扱うか、そして最も重要なこととして、これらのモデルを患者のケアに使用する前に、いかに厳格にテストするかについて、より優れた方法を生み出す必要があります。これらの要素が整うまでは、複雑な疾患に対して精密で個別化された予測を提供するというマルチステートモデルの約束は、部分的に実現されているに過ぎないのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。