Machine Learning and Large Language Models for Maternal Cardiometabolic Risk Prediction Across Harmonised Public Pregnancy Datasets

妊娠は、女性の心臓と代謝に対する厳格なストレス・テストとして機能する、深遠な生理学的イベントです。この9ヶ月間、身体は増加した血液量、変化するホルモンレベル、そして成長する胎児の代謝需要を管理しなければなりません。多くの場合、このプロセスは円滑に進みますが、他の人々にとっては、潜在的な脆弱性が露呈する場となります。高血圧、不規則な血糖値、血液中の鉄分不足といった疾患が出現したり悪化したりすることがあり、これらは母体と赤ちゃんの両方を脅かす複雑なリスクの網を作り出します。これらの合併症は孤立した事象ではなく、しばしば相互に関連しており、その存在は、難産や早産、あるいは将来的な母親の長期的な健康問題の可能性が高いことを示唆しています。これらのリスクを早期に特定することで、医師は介入し、より注意深く監視し、深刻な結果を防ぐためにケアを調整することが可能になります。

数十年にわたり、医療専門家はこれらの危険を察知するために、特定の閾値や個別の指標に頼ってきました。血圧の数値が一定を超えたり、グルコース値が正常範囲を外れたりすると、警告が発せられます。しかし、人体は必ずしも単純で線形なルールに従うわけではありません。女性の年齢、体重増加、過去の妊娠歴、そして現在のバイタルサインの相互作用は、単一のチェックリストでは捉えきれないパターンを生み出します。この複雑さにより、研究者たちは、コンピュータが伝統的な手法よりも優れた方法で、これらの微妙で非線形なパターンを学習できるかどうかを探求してきました。高度なアルゴリズムに膨大な臨床データを投入することで、症状が明らかになる前に、誰が最もリスクが高いかを機械が予測できるのではないかという期待が寄せられています。

最近のある研究では、2つの異なるアプローチ、すなわち伝統的な機械学習と、より対話的な新しい大規模言語モデルを用いて、このアイデアを検証することを目的としました。研究者たちは、2つの公開されている妊婦の健康記録のコレクションからデータを収集することから始めました。一方のデータセットには妊婦に関する一般的な情報が含まれており、もう一方は、高血圧を伴う深刻な疾患であるプレエクランプシア（子癇前症）に特化したものでした。これら2つの異なるソースを連携させるため、チームは変数を共通の言語へと翻訳する必要がありました。彼らは、血圧、ヘモグロビン値、妊娠週数などの測定値を整合させ、一方のデータセットにおける数値が他方でも同じ意味を持つようにしました。また、既存の医療記録に基づいて、女性を低リスク、中リスク、高リスクのカテゴリーに分類し、リスクラベルを標準化しました。

研究の第一段階では、最初のデータセットを用いて一連のコンピュータモデルのトレーニングを行いました。これらのモデルには、女性の臨床プロファイルを見て、彼女のリスクカテゴリーを予測するという任務が与えられました。研究者たちは、決定木やサポートベクターマシンを含むいくつかの異なる種類のアルゴリズムをテストし、どれが最も効果的にパターンを学習できるかを確認しました。HistGradientBoostingとして知られるモデルが、最も強力なパフォーマンスを示しました。学習したデータに対してテストを行った際、このモデルは全ケースの約88パーセントにおいてリスクレベルを正しく特定しました。これは、高リスク患者を他の患者から分離する強力な内部識別能を示しており、受信者動作特性曲線の下の面積（AUC）は0.989、精度・再現率曲線の下の面積（AUPRC）は約0.974でした。また、このモデルはどの要因が最も重要であるかを特定し、病院までの距離、血糖値、および妊娠中の体重増加が、その判断における主要な推進力であることを明らかにしました。

しかし、いかなる予測ツールの真のテストは、それが学習に使ったデータに対してどれほどうまく機能するかではなく、未知の新しいデータに対してどれほどうまく機能するかです。ここで、研究は重要な転換点を迎えました。研究者たちは、最も優れた性能を示したモデルを取り出し、異なるソースから来た異なる患者を含む、二つ目のデータセットに直接適用しました。彼らはモデルを再学習させたり設定を調整したりすることなく、両方のデータセットに共通する6つの変数に基づいて予測を行うよう求めました。結果は劇的に異なりました。モデルの精度は大幅に低下し、正しく分類できたのは約39パーセントのケースのみでした。さらに深刻なことに、この新しいグループにおいて実際に高リスクであった女性を一人も特定できませんでした。代わりに、26人の高リスク女性全員を低または中リスクと判定したのです。この失敗は、モデルが学習したパターンが最初の患者グループに特有のものであり、二つ目のグループには転用できなかったことを示唆しています。これは、平均年齢や血液検査のタイミングなど、二つのグループが根本的な点で異なっていたためと考えられます。

伝統的なモデルがこのような汎用性の欠如に苦戦する可能性があることを認識し、研究者たちは大規模言語モデルへと目を向けました。これらは、エッセイを書いたり、質問に答えたり、会話を行ったりすることができる、現在普及しているものと同じタイプの人工知能システムです。チームは、構造化された医療記録を平易な英語のナラティブ（記述）に変換し、各患者の既往歴と現在の状態を数文で記述しました。そして、DeepSeekとQwenという2つの異なる言語モデルに対し、これらの物語を読み、リスクレベルを予測するよう求めました。彼らは、新しい問題を解く前に、類似の問題の解き方の例を与えるといった、様々なプロンプティングの手法を試しました。最も優れた構成である特定の推論プロンプトを用いた手法では、ケースの約58パーセントを正しく特定することができました。これは伝統的なモデルの新しいデータに対する性能よりは向上していましたが、依然として完璧とは程遠いものでした。モデルには明確なバイアスが見られました。それは、小規模なテストグループ内の4件の高リスクケースをすべて特定することには成功しましたが、低リスクのケースを一つも特定できず、実質的に全員が少なくともいくらかのリスクがあると推測しているかのようでした。

研究者たちはまた、これらの異なるシステムがいかにして自らの決定を説明するかについても調査しました。彼らは、伝統的な機械学習モデルが重要であるとした要因と、言語モデルが書かれた説明の中で使用したキーワードを比較しました。両システムは、血圧、血糖値、およびヘモグロビンレベルがリスクの重要な指標であるという点で一致していました。しかし、その他の要因については意見が分かれました。伝統的なモデルは、病院からの距離や体重増加に大きな重みを置いていましたが、これはこれらがデータにおける強力な統計的シグナルであったためと考えられます。対照的に、言語モデルはこれらのロジスティックな要因や物理的な要因にはほとんど言及しませんでした。代わりに、彼らは患者の過去の病歴や以前の合併症により強く焦点を当て、トレーニングに組み込まれた臨床知識を活用していました。この違いは、データが統計的に示唆することと、モデルが臨床的に妥当だと判断することの間のギャップを浮き彫りにしています。

本研究の結論として、これらのツールには有望な側面はあるものの、臨床で使用できる段階にはまだないことが示されました。伝統的な機械学習モデルは、それが構築された環境内では良好に機能しましたが、新しい集団に適応することができず、これは医療AIにおける共通の課題です。大規模言語モデルは、症例記録を読み取り、人間が理解可能な説明を生成する能力を示しましたが、その予測は不安定でバイアスが生じやすいものでした。研究者たちは、この研究の価値は、単一の完璧な予測器を生み出すことではなく、あるデータセットから別のデータセットへとモデルを移行させることの困難さを実証したことにあると強調しています。これらの技術が実際の病院で有用となるためには、より大規模で多様な患者グループでテストされ、既存のラベルではなく実際の健康アウトカムに対して検証される必要があると彼らは示唆しています。それまでは、これらのシステムは情報を整理し、可能性を示唆することはできても、臨床医の判断を代替できる段階には至っていない実験的なツールにとどまります。