Comparing Ordered Logistic Regression and Random Forest for Predicting Lacosamide Trough Concentration Tiers in a Real-World Cohort: A Methodological Cautionary Study

医学の世界において、ある薬は鍵と鍵穴のように精密に適合するように働く一方で、別の薬は、人によって大きさが変わる穴の開いたバケツに注がれる水のように振る舞うことがあります。ラコサミドは、まさに後者のように、患者によって大きく変動する薬剤の一つです。これはてんかん発作を制御するために使用される薬であり、医師は患者の血液中の薬物量が適切であることを確認するために、「治療的薬物モニタリング」と呼ばれるプロセスに頼っています。レベルが低すぎると発作が再発する可能性があり、高すぎると患者が副作用に苦しむ可能性があります。課題は、同じ用量であっても、人によって血中レベルが異なることです。年齢、体重、あるいは他の薬を服用しているかどうかといった要因が、すべてこのバランスを変化させます。長年、医師たちはこれらの既知の事実をコンピュータに入力することで、患者の薬物レベルが正確にどこに位置するかを予測し、最初から完璧でパーソナライズされた投与を実現したいと考えてきました。

浙江大学医学院の研究チームは、大規模な実世界の実験によってこの希望を検証することにしました。彼らは、単一の病院でラコサミドのレベルを測定した、幼児から高齢者までを含む約1,000人の患者からデータを収集しました。研究者たちは、2種類の数学的ツールを用いて、これらの患者を「薬物レベルが低いグループ」、「安全な治療範囲内にあるグループ」、「高すぎるグループ」の3つのグループに分類できるかどうかを調べたいと考えました。一つは、年齢と薬物レベルの間の直線的な関係を探る「順序ロジスティック回帰」として知られる伝統的な統計手法です。もう一つは、「ランダムフォレスト」と呼ばれる機械学習技術であり、単純な数学では見逃してしまうような隠れたパターンやつながりを見つけようとする、より複雑なシステムです。目標は、どちらのツールが、単一の血液検査と、体重や他の薬といった日常的な詳細情報のリストに基づいて、患者の薬物階層を正確に推測できるかを確認することでした。

研究者たちは、各患者について特定の情報セットをコンピュータ・システムに入力しました。それは、年齢、性別、体重、体重で調整されたラコサミドの投与量、体内の薬物処理を加速させることが知られている他の抗てんかん薬を服用しているかどうか、そして同時に服用している他の抗てんかん薬の数です。彼らは「他の薬」の定義を非常に慎重に行い、タイミングを一致させるために、血液検査が行われた週に処方されたもののみを対象としました。その後、データを分割し、その大部分をモデルの学習に使用し、残りを、一度も見たことがない患者に対するモデルの性能をテストするために使用しました。結果は明確であり、迅速な計算による解決を期待していた人々にとっては、やや失望させられるものでした。伝統的な統計モデルも、高度な機械学習システムも、有用な精度で薬物レベルを予測することはできませんでした。両モデルとも、ランダムな推測よりもわずかに優れた成績を示すにとどまりました。機械学習モデルは伝統的なモデルを僅差で上回りましたが、どちらも臨床決定を導くために必要な信頼性のレベルには達しませんでした。

個々のレベルを予測することには失敗しましたが、この研究はある非常に特定かつ信頼できるシグナルを明らかにしました。研究者たちは、患者がある種の他の抗てんかん薬を服用している場合、ラコサミドのレベルが著しく低くなることを発見しました。この影響は、モデルが他のすべての要素で苦戦している時でも検出できるほど強力でした。データによれば、これらの相互作用する薬を服用している患者は、服用していない患者と比較して、高い薬物レベルを持つ確率が約半分になることが示されました。これは、既知の生物学的事実を裏付けるものです。すなわち、これらの特定の薬剤は化学的な加速器として機能し、体内のラコサミドをより速く除去するのです。しかし、この単一の要因だけでは、全体の予測を成立させるには不十分でした。モデルは、人々の間に存在する膨大なその他の差異を説明することができなかったのです。

この研究は、問題が数学の種類ではなく、データの性質にあることを示唆しています。単一の血液検査は、どれほど多くの詳細な情報が付随していようとも、患者の薬物レベルがどこに着地するかを予測するための十分な情報を含んでいません。研究者たちは、患者が実際に薬を処方通りに服用しているかどうかや、肝臓での薬物代謝に関する遺伝的な違いなど、測定できない要因が大きな役割を果たしている可能性が高いと指摘しました。機械学習モデルは、単純なモデルが見落とした秘密のパターンを見つけ出すことはできませんでした。両モデルとも、年齢と体重調整された投与量が最も重要な要因であるという点で一致していましたが、それでも不十分でした。また、本研究は、年齢と薬物レベルの関係がすべての人に対して同じではないことも確認しました。子供は、大人と比較して、投与される量と達成されるレベルとの間に、より密接な関連性を示しました。大人の結果は、より予測困難なものでした。

結局のところ、この研究は個別化医療の分野に対する警鐘としての役割を果たしています。これは、強力なデータ分析ツールを保有していても、単一の時点におけるスナップショットから複雑な生物学的結果を予測することはまだできないということを示しています。日常的な血液検査といくつかの基本的な事実に基づいて、コンピュータのアルゴリズムが医師に完璧な投与量を即座に伝えることができるという考えは、この証拠からは支持されません。むしろ、今回の知見は、医師が時間の経過に伴う注意深い観察、つまり繰り返される検査を通じて患者のレベルがどのように変化するかを見守る必要性を再確認させるものです。明らかになった唯一の明確なルールは、もし患者が特定の相互作用する薬剤を服用しているならば、そのレベルは低くなる可能性が高いということであり、これは手動で考慮されなければなりません。それ以外の点については、真に個別化された投与への道は、単に優れたソフトウェアを導入することではなく、単一の瞬間ではなく、長期にわたって収集される患者の履歴、遺伝学、そして実際の治療計画への遵守状況をより深く掘り下げることを求めているのです。