Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

賑やかで混沌とした駅に足を踏み入れたところを想像してみてください。人々があらゆる方向から急いで押し寄せ、ある人は足首を捻り、ある人は胸を押さえ、またある人は完全に途方に暮れています。駅長さんの仕事は、誰が即座に助けを必要としており、誰が待機できるのかを見極めることです。同時に、誰がこの駅から生きて脱出できない可能性があるかを予測しなければなりません。これは、病院の救急部門（ED）で行われていることそのものです。そこはヘルスケアの玄関口であり、生と死がしばしば天秤にかけられる場所なのです。

長い間、医師たちはどの患者が最も危険な状態にあるかを推測しようとしてきました。彼らはチェックリストや自身の経験といったツールを使ってきましたが、それはまるで、嵐を予測するために雲を観察する気象予報士のようなものです。しかし、時には雲が非常に厄 easily 捉えどころがなく、予想もしない時に嵐が襲ってくることがあります。ここで「統計的学習」が登場します。これは、気象予報士に超高性能なコンピューターの脳を与えるようなものだと考えてください。単にいくつかの雲を見るのではなく、このコンピューターの脳は過去の数千もの嵐を観察し、パターンを学習し、どのような特定の気象条件の組み合わせが通常災害につながるのかを解明します。医学の世界において、これは過去の患者に関するデータ（どのような病気であったか、年齢、そして何が起きたか）をコンピューターに読み込ませ、コンピューターが人間が見落としてしまうような、死に至る隠れたパターンを特定できるかどうかを確認することを意味します。

---

セント・ジョセフ病院における大きな実験

コンゴ民主共和国のキンシャサにあるセント・ジョセフ病院では、研究チームがこの「超高性能なコンピューターの脳」に自分たちの救急外来を見てもらおうと決めました。彼らは、人々が持ち込むさまざまな疾患の中で、どれが死亡の最大のレッドフラッグ（警告サイン）になるのかを知りたいと考えたのです。

彼らは単に推測したわけではありません。彼らは過去に遡りました。2018年1月1日から2019年12月31日までの間に救急部門に運び込まれた5,172人の患者の紙の記録を掘り起こしたのです。それは、5,000人以上の物語が入った巨大なフォトアルバムを眺めるようなものでした。彼らは患者の年齢、性別、併存疾患の数、そして最も重要な、生存したか亡くなったかを記録しました。このグループでは、約7.5%の人々が受診後に生存できませんでした。

コンピューターに「見る力」を教える

研究者たちは問題に直面しました。医師たちは病気を説明するために1,000以上の異なる表現を用いていたのです！ある医師は「ひどい腹痛」と書き、別の医師は「外科的腹症」と書くかもしれません。これらを理解するために、チームは乱雑な本棚を整理する司書のように行動しました。彼らはこれら数千もの乱雑な記述を、「癌」、「マラリア」、「ショック」、「脳損傷」といった19の整然としたカテゴリーにグループ化しました。

次に、データを2つの山に分けました。70%の物語をコンピューターの学習用（トレーニング・セット）として与え、残りの30%を隠しておきました（テスト・セット）。彼らはコンピューターに対し、どの学習方法が最も良い成績を取るかを確認するために、6つの異なる学習スタイルを試すよう求めました。

結果：レースの勝者は誰か？

コンピューターは6つの異なる「学習スタイル」を試しました：

1. ElasticNet（さまざまな手がかりのバランスをとる手法）
2. ロジスティック回帰（古典的な数学的手法）
3. ニューラルネットワーク（人間の脳を模したもの）
4. xGBoost（強力なブースティング手法）
5. 決定木（フローチャートのようにYes/Noの選択を行うもの）
6. ランダムフォレスト（多数の決定木が連携して働くもの）

これらの手法を隠しておいた30%の患者に対してテストしたところ、結果は明白でした。4つのモデルはかなり良い仕事をし、2つのモデルは大きく躓きました。決定木とランダムフォレストのモデルは、まるで勉強を忘れてしまった学生のようで、コイン投げよりもわずかにマシな程度というほど、非常に低いパフォーマンスでした。

勝者はElasticNet、ロジスティック回帰、ニューラルネットワーク、そしてxGBoostでした。その中でも、ElasticNetがチャンピオンとなり、最も高い「精度」（技術的にはAUC 0.736）を記録しました。このスコアは、このモデルが生存する患者としない患者の違いを判別する上で非常に優れていることを示唆していますが、完璧ではありません。

トップ6の危険信号

では、勝利したコンピューターの脳は何を学んだのでしょうか？それは、あの病院において死亡と最も強く結びついていた6つの特定の疾患を特定しました。もしあなたがセント・ジョセフ病院の医師であれば、これらは「ハイアラート（厳重警戒）」ボタンを押すべき条件となります：

1. ショック状態： 体のシステムが崩壊している状態（車のエンジンがオーバーヒートして停止してしまうような状態）。
2. 敗血症： 重度の全身性感染症。
3. 結核または肺疾患： 呼吸や肺に関する問題。
4. 昏睡： 深い意識不明の状態。
5. 髄膜脳炎： 脳とその周囲の膜の炎症。
6. 癌： 腫瘍および関連疾患。

興味深いことに、コンピューターは、その地域で非常に一般的なマラリアが、従来の数学的手法ではそれほど重要ではないと考えられていたにもかかわらず、7番目に重要な予測因子であることを発見しました。また、「その他の外傷」（自動車事故や転倒など）も、病院が空港へ続く忙しい道路のすぐ隣にあるため、重要であることが分かりました。

これが意味すること（そして意味しないこと）

研究者たちは、これはすべてを解決する魔法の杖ではないと慎重に述べています。彼らは自らの研究の限界を認めています。彼らは一つの病院のみを対象としているため、これらの正確なルールが世界中のすべての病院に適用されると100%断言することはできません。また、古い紙の記録を使用しているため、医師によって情報の書き方が微妙に異なり、それがコンピューターを少し混乱させた可能性があります。また、コンピューターは、死亡という稀なケースを予測する際に苦戦し、安全策として「生存」と予測してしまうことがよくありました。これは、死亡が稀なイベントである場合に共通して見られる問題です。

しかし、この研究は、統計的学習ツールを使用することで、医師や病院の管理者がより良い意思決定を行える可能性があることを示唆しています。ショック、敗血症、肺の問題が主要な死因であることを知っていれば、病院は限られた資源をそれらの患者の監視に集中させることができます。それは、嵐が来る前に、どのドアを最初にロックすべきかを教えてくれるスマートなアラームシステムを持っているようなものです。著者たちは、将来、より多くの研究によってこれらの知見が裏付けられ、リソースの少ない場所の医師たちがより多くの命を救う助けとなることを願っています。