現代医学の世界において、医師やコンピュータシステムはしばしば単純な仮定に基づいています。それは、「もし今、二人の患者が同じように見えるのであれば、彼らは将来もおそらく同じ道を辿るだろう」という仮定です。もし二人が同じ血圧、同じ腫瘍の大きさ、そして同じ症状を持っていれば、彼らは治療に対して同様に反応するか、あるいは病気の進行速度も同じになると期待されます。この信念は、私たちがどのように健康状態を予測し、個別化されたケアプランを設計するかという仕組みの根底を成しています。しかし、この仮定は、ある一瞬の時点で目に見え、測定できる情報が、その人の将来の健康状態を語るのに十分であるという考えに基づいています。それは、現在のスナップショットに、次に何が起こるかを予測するために必要なすべての手がかりが含まれていると想定しているのです。しかし、もしそのスナップショットが不完全なものだとしたらどうでしょうか？ もし、地図上の全く同じ場所に立っている二人が、混乱しているからではなく、地図自体に彼らの進む道を分かつ地形が欠落しているために、全く異なる目的地に向かって歩んでいるとしたらどうでしょうか？

これは、イリノイ大学シカゴ校の研究者であるモーリス・アントニー・ユーイングによる新しい研究で探求されている中心的な問いです。この研究は、より優れたコンピュータモデルや、より複雑なアルゴロリズムが患者の転帰を予測するという問題を解決できるという考えに異を唱えています。むしろ、この研究は、問題はデータを分析するために使用するツールにあるのではなく、データそのものにあることを示唆しています。研究者たちは、医師が意思決定を行う瞬間に利用可能な情報が、異なる可能性のある未来を区別するのに実際に十分であるかどうかを調査しました。その結果、膨大な数の患者にとって、答えは「ノー」であるということが分かりました。二人の人間は、医師が測定できるあらゆる指標に基づいて同一に見えることがあっても、一方は回復し、もう一方は悪化するということが起こり得るのです。この研究は、これが予測技術の失敗ではなく、利用可能な情報の根本的な限界であると主張しています。

これを理解するために、特定の疾患を持つ二人の患者を想像してみてください。医師が彼らを診察する瞬間、彼らのバイタルサイン、検査結果、および画像診断の結果はほぼ同一です。標準的な予測モデルは、これらの数値を見て、彼らに同じ可能性の高い結果を割り当てます。しかし現実には、一人の患者は迅速に回復し、もう一人は悪化するかもしれません。研究は問いかけます。なぜこのようなことが起こるのでしょうか？ それは、コンピュータモデルが隠れたパターンを見つけ出すほど賢くないからでしょうか？ それとも、単に医師が持っている数値の中に、そのパターンが存在しないからでしょうか？ 研究者たちはこの現象を「非識別性（non-identifiability）」と呼んでいます。これは、現在の患者の状態が、どの未来が自分に属しているかを特定するためのユニークな情報を十分に含んでいないことを意味します。未来は単に不確実なのではなく、現在の観察だけからは根本的に識別不可能なのです。

これを検証するために、研究者たちは膨大な量の現実世界の医療データを収集しました。彼らは、神経変性疾患であるアルツハイマー病、集中治療のシナリオ、がん、心臓病を含む幅広い疾患を網羅する、13種類の異なるヒト臨床データセットを調査しました。合計で、時間の経過とともに記録された約70万件の個々の健康観察結果を精査しました。彼らは、56,000人以上の個人を含む、長期にわたって追跡された5つの大きな患者グループに焦点を当て、400,000件以上の具体的な健康の過程を調べました。患者の履歴における各時点において、研究者たちはシンプルな問いを投げかけました。「もし、この特定の瞬間にこの人と全く同じように見える他の患者を見つけた場合、彼らは皆、同じ未来へと進むのだろうか？」と。

結果は驚くべきものでした。調査した5つの主要なグループにおいて、研究者たちは、特定の瞬間に同じように見えた患者が、その後全く異なる未来を辿るケースが、ほぼすべてのケースで見られることを発見しました。具体的には、調査した患者の状態のうち、65%から99%が「非識別的」でした。これは、これらの時点の大部分において、利用可能な情報が、改善の未来と悪化の未来を区別できなかったことを意味します。パーキンソン病や筋萎縮性側索硬化症（ALS）などのグループでは、その数値は98.7%に達しました。さらに言えば、研究者たちは、似たような状態の患者が反対の方向へ進んだケース、つまり一方が良くなり、もう一方が悪くなったケースを探しました。その結果、これらの一致したグループの間で、59%から82%の割合で、ポジティブな結果とネガティブな結果の両方が発生していることが判明しました。これは、曖昧さが単に患者が「変わるか変わらないか」についての問題ではなく、似たような患者が積極的に逆の方向へと動いているという事実を証明しています。

この研究は、よくある反論にも対処しています。すなわち、「データは存在するが、コンピュータモデルがそれを発見できるほど洗練されていないのではないか」という点です。これをテストするために、研究者たちは単一の種類の人工知能に頼ることはしませんでした。代わりに、単純な統計ツールから複雑なディープラーニング・システムに至るまで、多様なモデルの「動物園（zoo）」を使用しました。彼らは、異なる種類のデータや異なる疾患のシナリオを用いて、これらのモデルをテストしました。結果は一貫していました。モデルがいかに高度であっても、これらの患者の将来の方向を他のモデルよりも正確に予測することはできなかったのです。モデルが失敗したとき、それらはすべて同じ方法で失敗しました。このことは、限界がコンピュータプログラムのアーキテクチャにあるのではなく、入力される情報にあることを示唆しています。モデルは、データの中に存在しない区別を創り出すことはできません。観察された状態の中に、回復する患者と衰退する患者を分かつ手がかりが含まれていないのであれば、どれほど数学的な複雑さを加えても、その手がかりを生み出すことはできないのです。

研究者たちは、さらに「過去の履歴を追加することで解決できるのではないか」という点についても調査しました。直感的には、患者の過去の軌跡（どのようにして現在の状態に至ったか）を知ることが、次にどこへ向かうかを予測する助けになるのではないか、と考えられがちです。研究の結果、履歴が役に立つ場合もあるものの、多くの場合には役に立たないことが分かりました。多くの場合、患者の全履歴であっても、複数の相反する未来と矛盾しないことがありました。二人の患者が同じ地点に到達するために全く異なる経路を辿っていたとしても、その後の経路は、彼らの履歴では予測できない形で分岐することがあります。これは、単にデータの行数を増やしたり、より過去に遡ったりすることが、自動的に問題を解決するわけではないことを意味します。鍵となるのは、観察の量ではなく、その観察が、異なる可能性のある未来を分かつための特定の情報を含んでいるかどうかなのです。

この発見は、医療予測へのアプローチにおいて深い意味を持ちます。長年、医療AIにおける焦点は、より優れたモデルを構築し、より多くのデータを見つけ、アルゴリズムを改良することに置かれてきました。この研究は、そのアプローチが厳しい天井に突き当たっていることを示唆しています。もし、二人の患者を区別するために必要な情報が臨床記録に含まれていないのであれば、いかなるモデルもその溝を埋めることはできません。問題は、データに対して間違った問いをしていることではなく、データ自体がその問いに答えるのに不十分であるということなのです。研究者たちは、これは患者が本質的に神秘的な意味で予測不可能であると主張しているのではなく、私たちが測定し記録することを選択している特定の情報が、しばло彼らの未来を語るには不十分であるということを強調しています。

この研究は、予測の試みを止めるべきだとか、ケアを改善できないと主張しているわけではありません。むしろ、別の進むべき道を示しています。もし現在の測定値では不十分であるならば、解決策は新しい種類の情報を見つけることにあります。これは、異なる生物学的マーカーを測定したり、異なるタイプの画像診断を用いたり、あるいは現在無視されている要因に着目したりすることを意味するかもしれません。また、ある患者にとって、ある瞬間において、利用可能な情報が精密な予測をすることを単純に許容しないことを受け入れることも意味するかもしれません。研究は、よりスマートなモデルを構築するためにリソースを費やす前に、まず、私たちが持っている情報が、予測しようとしている未来を区別するのに実際に十分であるかどうかを問わなければならない、と結論付けています。

結局のところ、この研究は、精密医療の分野に対する、冷静ではあるが不可欠なリアリティチェックを提供しています。それは、私たちが目にできるものと、実際に起こることとの間の溝が、私たちが考えていたよりもはるかに広いことが多いということを示しています。二人の患者は、現代医学が測定できるあらゆる面において同一に見えながら、隣り合わせに立ち、それでいて全く異なる軌道の上にいることがあります。私たちが未来を予測するために用いるツールは壊れているのではなく、単に不完全な地図を使って作業しているのです。前進するためには、モデリングの最先端を超えて、どのような情報が実際に一人の患者の物語を他者から区別するために必要なのかという、根本的な問いに焦点を当てる必要があります。その欠落している情報を見つけ出さない限り、予測の限界は、計算能力の不足によるものではなく、データ自体における識別詳細の不足によって、依然として存在し続けることになるのです。