Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

毎年、何千人もの人々が、手足を失うか、あるいは命を失うかという恐ろしい選択に直面しています。この苦闘は、脚の血管が狭まり硬くなることで、筋肉や皮膚から酸素を奪っていく、静かで忍び寄る病状から始まることがよくあります。この閉塞が深刻になると、治ることのない開放性の潰瘍や、肢が死に至る危険が常に存在する状態を招くことがあります。医師はこれを末梢動脈疾患と呼び、その最も危機的な形態を慢性下肢危険虚血と呼びます。これらの疾患や糖尿病性足潰瘍を抱える患者にとって、前方の道は不確実性に満ちています。医師は、血流を回復させるための複雑な手術を行うべきか、患者の命を救うために損傷した肢を切断すべきか、あるいは緩和ケアに注力すべきかを判断しなければなりません。これらの決定が非常に困難なのは、患者一人ひとりが異なり、糖尿病から心臓病に至るまで、他の健康問題や、治療への反応に影響を与える社会的要因といった、独自の組み合わせを抱えているからです。

何十年もの間、医師はこれらの選択を導くためにスコアリングシステムやリスク計算機に頼ってきましたが、これらのツールは広く信頼を得ることに失敗してきました。それらは、これほどまでに混沌とし、個人的な性質を持つ疾患に対してはあまりに硬直的すぎるか、あるいは一貫して収集することが困難なデータに依存しているからです。現在、ノースカロライナ大学の研究チームは、異なる種類のガイドへと目を向けています。それは、患者ケアの膨大なデジタル記録そのものです。電子健康記録を整理する新しい手法を用いることで、彼らは、次に患者に何が起こるかを予測するように設計された一連のコンピュータモデルを構築しました。彼らの目的は、医師に取って代わることではなく、より明確な未来の展望を与え、誰が手術を必要とし、誰が肢を失う可能性があり、誰が心血管系の原因で死亡するリスクがあるのかを判断する手助けをすることでした。

研究者たちは、2014年から2024年の間にUNCヘルスシステム内でケアを受けた、約17万9,000人の成人患者という膨大なプールから調査を開始しました。これらの人々は、末梢動脈疾患、慢性下肢危険虚血、または糖尿病性足潰瘍を含む、肢の喪失のリスクがあると既に判明している人々でした。この膨大な情報を理解するために、チームはOMOP共通データモデルと呼ばれる標準化されたシステムを使用しました。これは、異なる病院が同じ言語で話せるようにする、医療データの「ユニバーサル翻訳機」のような役割を果たします。彼らはこのシステムに特別な拡張機能を追加し、標準的な記録では通常欠落している、血管疾患に関連する127の特定の変数で満たしました。これにより、患者を単なる症状の集まりとしてではなく、血圧や検査結果から、喫煙歴、運動能力、さらには認知状態に至るまで、数千のデータポイントを持つ「一人の人間」として捉えることが可能になりました。

この豊かで調和のとれたデータセットを用いて、チームは人間の医師が見逃すかもしれないパターンを探るためにコンピュータ・アルゴリズムを訓練しました。彼らは3つの独立した予測モデルを構築しました。第一のモデルは、患者が血行再建術（閉塞した動脈を開通させることを目的とした手術）を受けるかどうかを予測しようとしました。第二のモデルは、患者が最終的に切断術を必要とするかどうかを予測しようとしました。第三のモデルは、心血管イベント（心筋梗塞や脳卒中など）によって死亡するかどうかを予測しようと試みました。コンピュータは単に脚の疾患の明らかな兆候を見るだけでなく、特定の感染症の有無から、患者が服用している薬の種類に至るまで、数千もの潜在的な要因をスキャンし、どれが実際に結果に対して最も重要であるかを見極めました。

結果は、ある結果については驚くほどの明快さを、また別の結果については執拗な複雑さを物語っていました。再建術を受ける人を予測するように設計されたモデルは、非常に正確でした。そのモデルは、処置を受ける患者を完璧に近い精度で特定しました。この予測を駆動する要因は、血管外科医が予想する通りでした。モデルは、下肢の閉塞や血栓といった、動脈自体の特定の疾患が最も強力なシグナルであることを突き止めたのです。コンピュータは、これらの特定の動脈の問題が存在する場合、医療システムが一貫して手術という形で反応することを学習しました。つまり、手術の決定は、動脈不全という明確で客観的な兆候によって駆動されているという確認でした。

切断に関する予測も強力でしたが、その背景にある物語はより微妙なものでした。モデルは、患者が肢を失うかどうかが、身体と精神がいかに治療のストレスに対処できるかに大きく依存していることを示しました。最も強力な予測因子は、単に脚の傷の重症度だけではなく、治療が患者の全体的な衰弱（フレイル）とどのように相互作用するかでした。例えば、認知症や深刻な身体的衰弱を伴う患者が血行再建術を受けた場合、モデルは最終的な切断の可能性が高いと予測しました。逆に、手術を受けるにはあまりに衰弱している患者に対しては、モデルは切断の可能性が低いことを示唆しました。これは、ケアチームが緩和的な選択肢へと誘導しているためと考えられます。この発見は、困難な現実を浮き彫りにしています。肢を失うへの道は、脚の疾患だけでなく、患者が治療の過程を生き抜くことができる能力によっても決定されるのです。

しかし、心血管死を予測するモデルは異なる物語を語りました。コンピュータは、心不全、糖尿病合併症、高血糖といった「常連の容疑者」を特定することはできましたが、他の結果で見せたような自信を持って死を予測することはできませんでした。このモデルの精度は中程度であり、リスク要因は既知であるものの、実際の死の瞬間は、単一の公式では捉えきれないほど多くの予測不可能な変数に左右されることを示唆していました。研究者たちは、脚の局所的な問題を解決する再建術は、心血管イベントによる死亡リスクを変化させないようであると指摘しました。これは、肢を救うことと、心臓疾患から命を救うことは別々の戦いであり、一方を直すことが必ずしももう一方の勝利を保証するわけではないことを意味しています。

本研究は、人工知能が医師がこれまで考慮したことのない全く新しい、隠れたリスク要因を発見できるのではないかという、医学研究における一般的な期待にも向き合いました。この場合、コンピュータは秘密のコードを見つけませんでした。コンピュータが特定した最も重要な変数は、臨床医がすでに重要であると知っていたものだったのです。機械学習のアプローチは新しい知識を創出したのではなく、既存の血管疾患に関する理解が強固であることを裏付けました。データをクリーンかつ整理された方法で十分に集めれば、疾患のパターンは明らかになるということを証明したのです。切断をこれほど上手く予測できた事実は、適切なデータがあればこれらの結果を予見できることを示唆していますが、同時に、人間の体は非常に多くの異なる方法で崩壊しうるため、死を予測することは依然としてはるかに困難な課題であることを示しています。

この研究は、肢を脅かす状態にある患者をケアする方法において、大きな進歩を象徴しています。電子健康記録を標準的な形式に整理し、血管疾患に関する詳細な情報を加えることで、研究者たちは、約18万人の経験から学ぶことができるツールを作り上げました。彼らが構築したモデルは完璧ではなく、単一の医療システム内の患者に基づいてテストされているため、あらゆる場所で機能することを保証するには、他の病院のデータを用いて検証する必要があります。それでも、その結果は、医師が何百万もの患者記録の集団的な知恵を用いて、より良く、よりパーソナライズされた意思決定を行えるようになるという、有望な展望を提示しています。肢を失うという恐怖に直面している患者にとって、このような明晰さは、治療計画がうまくいくか否かの分かれ目となり、恐ろしい不確実性を、管理可能な前方の道へと変えることになるかもしれません。