Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

慢性疾患を管理するという静かなリズムの中で、最も重要なステップは、医師の診察室ではなく、患者の自宅というプライベートな空間で起こることがよくあります。処方通りに正確に薬を服用することは、診断から「充実した人生」へとつながる架け橋ですが、世界中の何百万人もの人々にとって、その架け橋は未完成のままです。医師が処方したものと、患者が実際に服用しているものとの間のこのギャップは、「服薬不遵守（アドヒアランスの低下）」として知られています。これは、物忘れや指示の分かりにくさ、治療の副作用といった要因によって形作られる複雑な問題ですが、多くの発展途上国においては、もっと具体的なもの、すなわち「薬の価格」と「サプライチェーンの信頼性」によって引き起こされています。患者が薬の補充費用を払えなかったり、棚に薬が見つからなかったりすると、治療計画は崩壊し、防げたはずの合併症や早期死亡を招くことになります。

これを解決するために、医師や研究者はコンピュータを活用し始め、人間の目では見落としてしまうような患者データのパターンを特定するために機械学習を用いています。これらのシステムは、誰が薬を服用しており、誰が服用していないかの記録を調べ、服用を飛ばす原因となる特定の要因の組み合わせを探し出します。しかし、これらのコンピュータモデルの多くは、保険が費用をカバーし、薬局に常に在庫がある豊かな国々で構築されました。これらのモデルを、健康保険が普遍的ではなく、自己負担額が重い負担となり得るガーナのような場所に適用しようとすると、しばしば失敗します。それらは、人が治療を継続できるかどうかを決定づける現地の現実を見落としてしまうのです。ガーナの新しい研究は、理想化されたヘルスケアの姿ではなく、患者の実際の生活を反映したデータを用いることで、その地域の経済的・社会的景観を理解するモデルを構築し、この問題を解決しようとしています。

ガーナのアゴゴにあるプレスビテリアン病院の研究者たちは、高血圧や糖尿病といった慢性疾患の薬を飲むのをやめてしまう可能性が高い患者を予測するツールを作成することに乗り出しました。彼らは、6か月間に病院を訪れた1,772人の成人患者の記録を集めました。患者にどれくらいの錠剤を飲んだかを思い出してもらう代わりに、チームは「処方日数割合（Proportion of Days Covered）」と呼ばれる精密な手法を用いました。この手法は、すべての処方箋の補充日を確認することで、患者が薬を保有していた正確な日数を算出するものです。もし患者が少なくとも8割の期間、十分な量の薬を保有していれば「遵守（アドヒアレント）」とみなされ、それ未満の場合は「リスクあり」と判断されました。

チームはまず、標準的な患者情報（年齢、性別、健康保険の有無、処方された薬の数、および推定される薬の費用）をコンピュータプログラムに入力しました。そして、単純な統計的手法からより複雑なニューラルネットワークに至るまで、5種類の異なるコンピュータアルゴリズムをテストし、どれが最も適切に、服用遵守しているか否かを予測できるかを検証しました。結果は有望であり、最良の個別モデルは、遵守のパターンを約88パーセントの精度で正しく特定しました。しかし、研究者たちは、標準的なデータだけでは、ガーナでの生活の全貌を捉えるには不十分であることを知っていました。

モデルをより賢くするために、チームは現地の環境特有の課題を反映した、6つの新しいカスタムメイドの情報を追加しました。彼らは、例えば高齢者が複雑な服用 regimen（用法・用量）に苦労しているかどうかを確認するために、患者の年齢と処方薬の数を掛け合わせるなど、異なる要因を組み合わせた特徴量を作成しました。また、保険未加入の患者に特化した「価格負担（price burden）」を算出し、保険がない場合の薬のコストがはるかに深刻な影響を与えることを認識しました。このように、コンピュータにこれらの相互作用を学習させることで、高いコストが保険加入者にとっては問題にならない場合でも、自費で支払う者にとっては致命的な障壁になり得るということを、モデルに理解させたのです。

これらの新しい「文脈を考慮した（context-aware）」特徴量を、「スタックアンサンブル」と呼ばれる、複数のコンピュータモデルが協力して最終的な答えに投票するという手法と組み合わせたところ、予測精度が向上しました。最良のモデルは、89.5パーセントの確率で患者を正しく分類しました。さらに重要なことに、研究者たちはSHAPと呼ばれる手法を用いて、コンピュータの意思決定プロセスである「ブラックボックス」を開きました。これにより、どの要因が予測を左右しているのかを正確に把握することができました。その結果、最も強力な予測因子は、単なる年齢や性別ではなく、患者の保険加入状況、年齢と薬の複雑さの相互作用、そして他の慢性疾患の有無であることが判明しました。これは、経済的なアクセスと治療の複雑さが、このコミュニティにおけるアドヒアランスを形作る主要な力であることを裏付けています。

また、この研究では、限られたリソースしか持たない病院でこのツールをどのように実用化するかについても探求しました。彼らは、クリニックが患者に関するあらゆる詳細なデータにアクセスできないシナリオを想定し、より少ないデータでもモデルが機能するかどうかをテストしました。その結果、わずか7つの主要な特徴量を用いたモデルが、フルモデルとほぼ同等の性能を発揮することを発見しました。さらに、保険の有無、年齢と薬の相互作用、および慢性疾患の併存状態という3つの特徴量のみを用いたバージョンでも、予測能力の大部分を維持できることがわかりました。これは、リソースの限られた環境において、医師がリスクのある患者を特定するために膨大なデータベースを必要とせず、絞り込まれた少数の情報があれば十分であることを示唆しています。

しかし、研究者たちは自身の知見の限界についても慎重に注意を促しています。データは単一の病院から得られたものであり、モデルは他の地域や国の患者に対してテストされていないため、あらゆる場所で機能するかどうかはまだ不明です。また、データのバランスを取る手法を用いることで、非遵守の患者をより多く発見できる一方で、全体の予測精度はわずかに低下することも判明しました。結局のところ、彼らは全体的な信頼性が最も高かった、元のアンバランスなデータで訓練されたモデルを選択しました。本研究は、機械学習がガーナの健康状態を改善する大きな可能性を秘めている一方で、これらのツールは現地の現実を念頭に置いて構築されなければならないと結論付けています。コストと保険という具体的な障壁に焦点を当て、限られたデータでも使用できるほどモデルをシンプルに保つことで、研究者たちは、患者が命を守るための薬を飲むのをやめてしまう前に、彼らがどのような支援を必要としているかを特定するための道筋を作り上げたのです。