Uncertainty-Aware Multi-Outcome Screening for Undiagnosed Cardiometabolic Disease in the United States Population Using NHANES

米国では、数百万人の成人が、自覚のない深刻な健康状態を抱えて生活しています。糖尿病、高血圧、高コレステロールなどの疾患は、しばしば静かに進行し、本人が体調の変化や症状を感じるずっと前から、身体の化学的組成を変化させていきます。これらの問題が発見される頃には、心臓、腎臓、あるいは血管にすでにダメージを与えている可能性があります。公衆衛生当局は、こうした隠れた疾患を早期に発見することが極めて重要であることを古くから知っていますが、全人口をスクリーニングすることは、膨大なロジスティクスの課題となります。医師はすべての診察時にあらゆる疾患の検査を行うことはできませんし、単純なアンケートでは不十分な場合が多いのです。核心的な困難は、精度と信頼性のバランスにあります。コンピュータプログラムが誰にリスクがあるかを予測できたとしても、そのプログラムが自身の答えに確信を持てない場合、医師は不必要なパニックや診断の見落としのリスクを冒さずに、その結果に基づいて行動することができないのです。

研究チームは、単に誰が病気かを推測するだけでなく、自分がいつ推測しているのかをも自覚する、新しいタイプのスクリーニングシステムを構築することで、この問題の解決を図りました。大規模な国民健康調査のデータを用いて、彼らは5つの異なる未診断疾患の兆候を探るようコンピュータモデルを訓練しました。彼らのアプローチをユニークにしたのは、「不確実性」という層を加えたことです。すべての人に対して「はい」か「いいえ」の答えを強制するのではなく、システムは自信が持てない場合には判断を保留するように設計されました。これにより、研究者は、安全に経過観察ができる人と、さらなる検査が必要な人を区別することができ、標準的なコンピュータモデルには欠けている「セーフティネット」を作り出すことができました。

研究者たちは、アメリカ人のインタビューと検査を行い、国家の健康状態を追跡している長期継続研究である「国民健康栄養調査（NHANES）」を利用しました。彼らは2011年から2014年の間に収集されたデータに焦点を当て、2万人以上の成人グループを編成しました。彼らの目標は、医学的な基準を満たしているものの、医師からその疾患があると告げられたことがない人々を見つけ出すことでした。彼らは5つの特定のターゲットを定義しました：未診断の糖尿病、未診断の高血圧、未診断の高コレステロール、腎臓病のリスク、そしてこれら少なくとも一つの隠れた問題を持つ人の統合カテゴリーです。コンピュータモデルが疾患をスクリーニングする際に、疾患を定義する検査結果そのものを手がかりとして使わないようにするため、彼らはモデルが疾患を予測するための手がかりとして、特定の血液検査を使用することを厳格に禁止しました。例えば、未診断の糖尿病を予測する場合、モデルは個人の年齢や体重を見ることはできますが、糖尿病を診断するために用いられるまさにその指標である血糖値を見ることはできないようになっています。

これらのモデルが現実世界でどのように機能するかをテストするため、チームは医師がモデルを使用する可能性のある3つの異なる設定をシミュレートしました。第1の設定は、年齢、所得、既往歴などの基本的な情報のみが利用可能なコミュニティ調査です。第2の設定は、血圧や腹囲などの日常的な身体診察データを追加したものです。第3の設定は、コレステロール値のような一般的な臨床検査結果を含む、完全な診療訪問を想定したものです。彼らは、単純な統計式から、データ内のパターンを見つけ出す複雑な人工知能ネットワークに至るまで、6種類の異なるコンピュータアルゴリズムをテストしました。その結果、より詳細な情報が得られるようになるにつれて、モデルは隠れた疾患を特定する能力が著しく向上することが示されました。フルラボ結果（臨床検査結果）にアクセスできる場合、最も高度な決定木ベースのアルゴリズムは、未診断の高コレステロールおよび高血圧の症例のほぼすべてを正しく特定でき、AUCスコアはそれぞれ0.984および0.977に達しました。

しかし、最も重要な発見は、モデルがいかに正確であったかではなく、モデルがいかに自身の「確信度」を扱ったかでした。研究者たちは「コンフォーマル予測（conformal prediction）」と呼ばれる手法を用い、すべての予測に確実性の尺度を付与しました。このシステムは、モデルが「自信がある」と言った場合、少なくとも90パーセントの確率で正しいことを保証します。これを彼らの結果に適用したところ、モデル間に劇的な違いが現れました。最も洗練された決定木ベースのモデルは、ほぼ全員に対して自信のある決定を下すことができ、不確実であるとフラグを立てる人はごくわずかでした。対照的に、標準的な統計に基づく単純なモデルは、自身の答えに対して非常に不確実であったため、同じレベルの安全性を維持するためには、約60パーセントもの人々にさらなる検査が必要であるとフラグを立てなければなりませんでした。これは、純粋な精度を測定する上ではどちらのモデルも同等に見えるかもしれませんが、単純なモデルは紹介状の山でクリニックを圧倒してしまう一方で、賢いモデルは効率的に患者を分類できることを意味していました。

また、この研究は、米国における疾患の隠れた負担が相当なものであることも明らかにしました。研究者がこれらの知見を国民全体に適用したところ、アメリカの成人の約4人に1人が、少なくとも1つのこれらの心血管代謝疾患を自覚せずに抱えていると推定されました。最も一般的な隠れた問題は高コレステロールであり、人口の約13.7パーセントに影響を及ぼしており、次いで高血圧が13.5パーセントと僅差で続いていました。未診断の糖尿病はそれほど多くはありませんが、3.1パーセントと依然として無視できない数値でした。これらの数字は、多くの人々が、もし早期に発見されていれば管理できたはずの、静かなリスク要因を抱えたまま生活していることを裏付けています。

研究者たちは、コンピュータモデルがどのようにデータを「考えている」のかについても探求しました。彼らはニューラルネットワークが作成する内部表現を調査し、これらのモデルが疾患を個別の独立した箱として捉えていないことを見出しました。代わりに、モデルは心血管代謝の健康状態が連続的なスペクトラム（連続体）であることを学習していました。ある人は、血圧が少し高く、コレステロールも少し高い状態にあるかもしれません。モデルはこれを、単なる無関係な問題の集まりとしてではなく、単一の流動的なリスクの蓄積として理解していました。この洞察は、これらの疾患が深く相互に関連しており、単純なチェックリストが見逃してしまうような形で、時間をかけて蓄積していくものであることを示唆しています。

最終的に、この研究は、医療スクリーニングの未来は、単により賢いアルゴリズムを作ることではなく、いつ立ち止まって助けを求めるべきかを知るシステムを作ることにあると示しています。高い精度と明確な不確実性のシグナルを組み合わせることで、これらのツールは、誰が迅速なチェックアップを必要とし、誰が本格的な精密検査を必要とするのかを医師が判断する助けとなります。研究は、段階的なアプローチが最適であることを示唆しています。つまり、コミュニティでの単純な質問から始めて、注意が必要な人を見つけ出し、次にフラグが立てられた人々に対して身体診察や検査を行うという方法です。この手法により、リソースが効率的に使用され、最も脆弱な人々が見落とされることを防ぎつつ、健康な人々への不必要な検査を回避することができます。この研究は、人工知能を医師の代わりとしてではなく、自身の限界を知っている信頼できるパートナーとして、医療においてどのように活用すべきかという実用的な設計図を提供しています。