Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

アルツハイマー病やその他の関連する認知症は、前触れもなく突然襲いかかる出来事ではありません。それらは、人が名前を忘れたり、見慣れた場所で道に迷ったりするずっと前から、脳に変化をもたらし始める、ゆっくりとした、忍び寄るようなプロセスなのです。こうした変化は非常に早い段階で起こるため、医師や研究者たちは、症状が現れるずっと前にリスクを察知する方法を見つけ出し、早期のケアやより良い計画立案につなげたいと長年願ってきました。課題は、人間の脳は複雑であり、問題の兆候はしばしば微細で、患者の病歴の中に散在していることです。これを解決するために、科学者たちは電子カルテ、すなわち、患者がこれまでに受けたあらゆる医師の診察、処方箋、検査結果が記録された膨大なデジタルアーカイブに目を向けました。これらの記録には生涯にわたる手がかりが含まれていますが、それらは乱雑で不規則であり、読み解くのが困難です。研究者にとっての核心的な問いは、この混沌としたデータの流れを、誰がリスクを抱えているのかという明確なイメージへとどのように変えるか、そして、その最善の方法が「どれくらい先の未来を予測しようとしているか」によって変わるのかどうかということです。

ある研究チームは、認知症の発症を予測するために、コンピュータにこれらの病歴を読み取らせる異なる方法をテストすることに着手しました。彼らは、患者の人生をコンピュータ上で表現する、二つの非常に異なるアプローチを比較しました。第一のアプローチは、単純明快で透明性の高いものでした。それは単に、患者が何回医師を訪れたか、何種類の薬を服用したか、特定の診断が何度下されたかをカウントし、それらの回数を時間枠ごとに整理するというものでした。第二のアプローチは、はるかに複雑なものでした。数百万件もの医療記録を用いて事前学習された高度な人工知能モデルを使用し、患者の健康状態の歩みを、隠れた数学的な「要約」として作成するものです。研究者たちは、どちらの方法がより優れているか、予測を行う時期が将来に遡るにつれてパフォーマンスがどのように変化するか、そして、もし全く別の病院システムの、全く異なる患者グループに適用した場合でも、これらの手法が機能するかどうかを確認したいと考えました。

膨大な国家規模の健康記録データベースを用いて、チームは、実際に認知症と診断される6ヶ月前、12ヶ月前、24ヶ月前、および36ヶ月前に認知症を予測するようにモデルを訓練しました。その結果、単純なカウントに基づくアプローチが、一般的に最も信頼できることが分かりました。この手法は、病気を発症する患者としない患者を区別することに長けており、その予測の確実性（確率）においてもより正確でした。この優位性は、近い将来の予測において最も顕著でした。診断の6ヶ月前の予測においては、単純なカウント法が複雑な人工知能モデルを大幅に上回ったのです。しかし、研究者がさらに過去へと遡り、診断の丸3年前の予測を試みたところ、二つの手法の差は縮まりました。36ヶ月目の時点では、複雑なモデルが追いつき、単純なカウントと同等の性能を示しましたが、それでも単純なカウントを凌駕することはありませんでした。

また、この研究は、コンピュータモデルが予測期間を遡るにつれて、どのように「思考」しているのかについても明らかにしました。近い将来の予測を行う際、モデルは記憶喪失や軽度認知障害といった特定の認知症状の診断に大きく依存していました。しかし、予測ウィンドウがさらに過去へと延びると、こうした特定の症状は記録上にまだ存在していないことがよくありました。そのような場合、モデルは注意の対象を、より広範なヘルスケア利用のパターンへと移しました。モデルは、病院への訪問頻度や、処方された薬の種類、そして一般的な医療的相互作用の量といった要因を重視し始めたのです。脳が認知症の明確な兆候を示すずっと前から、身体におけるケアを求める全体的なパターンが変化しているようです。そして、モデルはこれらの一般的なシグナルを、早期警告として利用することを学習したのです。

研究者たちはまた、モデルを再学習させることなく、別の病院システムに転用できるかどうか、すなわち「ゼロショット転送」が可能かどうかもテストしました。彼らは、国家データベースで訓練されたモデルを、大学病院の独立した別のデータセットに適用しました。結果は劇的でした。両方の手法において、パフォーマンスは大幅に低下しました。モデルは、より高齢で人種構成が異なる患者層や、医師による情報の記録方法の違いに適応することに苦戦しました。この困難な転用シナリオにおいては、複雑な人工知能モデルの方が単純なカウントよりもわずかに耐性を示しましたが、どちらの手法も、調整なしに異なるヘルスケアシステム間で完璧に機能するほど堅牢であるとは証明されませんでした。これは、テクノロジーが強力である一方で、慎重なローカル・チューニングなしにどこにでも適用できる普遍的なツールには、まだなっていないことを示唆しています。

結局のところ、この研究は、患者の病歴を表現するための唯一の「最善」の方法は存在しないということを示しています。選択肢は、予測のタイミングと、具体的な設定によって決まります。近い将来の疾患を察知するためには、医療イベントの単純で解釈可能なカウントが依然としてゴールドスタンダードです。より遠い未来を見据えるためには、複雑な人工知能モデルがより競争力を持つようになり、異なるバランスの精度を提供します。これらの知見は、早期発見への道は、単一の完璧なアルゴリズムを見つけることにあるのではなく、異なるツールがいかにして異なる時期に異なるシグナルを捉えるのかを理解すること、そして、疾患が「遠いリスク」から「差し迫った現実」へと移行するにつれて、シグナルそのものが変化することを認識することにあると示唆しています。