AIは心不全患者の1年以内の悪化を予測できるか？

心筋の弱体化や損傷を特徴とする心不全は、患者の肺、脚、足、その他の身体部位に徐々に体液が蓄積します。この病態は慢性的で不治であり、不整脈や突然の心停止を引き起こすことが多々あります。何世紀にもわたり、瀉血（しゃけつ）とヒルが治療法として選択され、ヨーロッパでは理髪外科医（バーバーサージョン）によって広く行われました。これは医師が患者に手術を施すことが稀だった時代のことです。 21世紀において、心不全の管理は明らかに中世的なものではなくなりました。今日、患者は健康的な生活習慣の変更、薬物処方、そして時にはペースメーカーの使用を組み合わせた治療を受けます。しかし、心不全は依然として罹患率と死亡率の主要な原因の一つであり、世界中の医療システムに大きな負担をかけています。 「心不全と診断された人の約半数は、診断から5年以内に亡くなります」と、Nina T.およびRobert H. Rubin教授（Collin Stultz）の研究室に所属するMIT博士課程学生で、心不全予測のための深層学習モデルを紹介する新論文の共同筆頭著者であるTeya Bergamaschiは述べています。「患者が入院後にどのような経過をたどるかを理解することは、限られた資源を配分する上で非常に重要です。」 この論文は、MIT、マサチューセッツ総合病院ブライガム、ハーバード医科大学の研究者チームによって『Lancet eClinical Medicine』に掲載され、PULSE-HF（「心不全患者の心電図から左室収縮機能の変化を予測する」の略）の開発とテストの結果を報告しています。このプロジェクトは、MIT Abdul Latif Jameel Clinic for Machine Learning in Health（MIT Abdul Latif Jameel 機械学習健康クリニック）に所属するStultzの研究室で実施されました。マサチューセッツ総合病院、ブライガム・アンド・ウィメンズ病院、および公開データセットであるMIMIC-IVの3つの異なる患者コホートを用いて開発され、遡及的にテストされたこの深層学習モデルは、左心室から拍出される血液の割合である左室駆出率（LVEF）の変化を正確に予測します。 健康な人間の心臓は、拍動ごとに左心室から約50〜70％の血液を拍出します。これより少ない場合は、潜在的な問題の兆候と見なされます。「このモデルは[心電図]を入力として受け取り、今後1年以内に駆出率が40％を下回るかどうかの予測を出力します」と、Stultz研究室のMIT博士課程学生でPULSE-HF論文の共同筆頭著者でもあるTiffany Yauは述べています。「それは心不全の中で最も重症なサブグループです。」 PULSE-HFが患者の駆出率が1年以内に悪化する可能性が高いと予測した場合、臨床医はその患者をフォローアップの優先対象とすることができます。その後、リスクの低い患者は、病院への訪問回数や、12誘導心電図のために10個の電極を身体に貼り付ける時間を減らすことができます。このモデルは、低資源の臨床環境、例えば日常的に超音波検査を行う心臓超音波検査技師を通常雇用していない地方の診療所などでも展開することができます。 「[PULSE-HF]を他の心不全心電図手法と区別する最大の点は、検出ではなく予測を行うことです」とYauは述べています。この論文は、現在までに、心不全患者の将来のLVEF低下を予測する他の方法は存在しないと指摘しています。 テストと検証プロセスにおいて、研究者たちはPULSE-HFの性能を測定するために「受信者操作特性曲線下面積（AUROC）」として知られる指標を使用しました。AUROCは通常、モデルのクラス識別能力を0から1のスケールで測定するために使用され、0.5はランダム、1は完全を意味します。PULSE-HFは、3つの患者コホートすべてで0.87から0.91のAUROCを達成しました。 注目すべきことに、研究者たちは単一誘導心電図用のPULSE-HFのバージョンも構築しました。これは、身体に貼り付ける電極が1つだけで済むことを意味します。12誘導心電図は一般的により包括的で正確であると見なされていますが、単一誘導バージョンのPULSE-HFの性能は12誘導バージョンと同様に強力でした。 PULSE-HFのアイデアの背後にある優雅な単純さにもかかわらず、ほとんどの臨床AI研究と同様に、その実行は骨の折れるものです。「[このプロジェクトを完了するのに]何年もかかりました」とBergamaschiは振り返ります。「多くの改良を経てきました。」 チームの最大の課題の一つは、心電図と心エコー図のデータセットを収集、処理、クレンジングすることでした。このモデルは患者の駆出率を予測することを目指していますが、トレーニングデータのラベルは常に容易に利用できるわけではありませんでした。解答付きの教科書から学ぶ学生と同様に、ラベル付けは機械学習モデルがデータ内のパターンを正しく識別するのを助ける上で重要です。 TXTファイル形式のクリーンで線形なテキストは、モデルをトレーニングする際に通常最も効果的です。しかし、心エコー図ファイルは通常PDF形式で提供され、PDFがTXTファイルに変換されると、テキスト（改行やフォーマットによって分割される）はモデルが読み取るのが難しくなります。落ち着きのない患者や緩んだ電極などの現実のシナリオの予測不可能な性質も、データを損なうものでした。「クレンジングする必要がある多くの信号アーティファクトがあります」とBergamaschiは述べています。「一種の終わりのないウサギの穴です。」 BergamaschiとYauは、より複雑な方法がより良い信号のためにデータをフィルタリングするのに役立つ可能性があることを認めつつも、これらのアプローチの有用性には限界があると指摘します。「どこで止めるべきでしょうか？」とYauは問いかけます。「ユースケースについて考える必要があります。少し乱雑なデータでも機能するこのモデルを持つことが最も簡単でしょうか？おそらくそうなるでしょうから。」 研究者たちは、PULSE-HFの次のステップは、将来の駆出率が未知である実際の患者を対象とした前向き研究でモデルをテストすることになると予想しています。 PULSE-HFのような臨床AIツールを完成させることに内在する課題、例えば博士号取得がさらに1年延びる可能性のあるリスクにもかかわらず、学生たちは何年にもわたる努力が価値あるものだったと感じています。 「物事は部分的に挑戦的であるからこそ報われるのだと思います」とBergamaschiは述べています。「友人が私に言いました、『もし卒業後に天職を見つけられると考えるなら、その天職が本当に呼んでいるなら、卒業にもう1年かかってもそこにあるでしょう』と…[機械学習と健康]の分野における研究者としての私たちの評価のされ方は、他のML分野の研究者とは異なります。このコミュニティの誰もが、ここに存在する独特の課題を理解しています。」 「世界にはあまりにも多くの苦しみがあります」と、健康上の出来事が医療における機械学習の重要性を実感させた後、Stultzの研究室に加わったYauは述べています。「苦しみを和らげようとする試みはすべて、私の時間を価値あるものに使うことだと考えます。」

AIは心不全患者の1年以内の悪化を予測できるか？

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト