機械学習フレームワークが臨床試験、移植リスク予測、治療個別化を改善

臨床意思決定の改善を目指す3つの新しい機械学習フレームワークが登場した。臨床試験における適応的ランダム化のためのMARGO、幹細胞移植後の合併症予測のためのBIOPREVENT、そして機能的異質治療効果を推定するためのFOCaLである。

成均館大学の研究者らは、機械学習を臨床試験デザインに実用的に応用可能にする新しい統計フレームワーク—MARGO（Machine Learning-Assisted Adaptive Randomization for Group Sequential Trials Based on Overlap Weights）—を開発した。この研究は、ML/AI主導の意思決定を臨床試験に統合する際に生じる根本的な統計学的課題に対する初の厳密な解決策を提供するものである。MARGOは、機械学習ベースの予測モデルとオーバーラップ重み（OW）を統合する。OWは、共変量の不均衡を調整するために因果推論で広く用いられる傾向スコアに基づくアプローチである。患者の共変量情報を用いて機械学習により治療成功確率を予測し、その予測に基づいてより有効な治療法に患者を優先的に割り付ける一方、OWが治療群間の共変量不均衡を補正する。このフレームワークは、サポートベクターマシン（SVM）、K近傍法（KNN）、ランダムフォレスト（RF）、多層パーセプトロン（MLP）の4つの機械学習アルゴリズムを用いて評価された。大規模なシミュレーション研究を通じて、MARGOは従来の固定ランダム化および既存の適応的ランダム化法よりも3つの重要な側面で優れた性能を示した。すなわち、より有効な治療法に割り付けられる患者の割合を増やし、全体のタイプIエラー率を目標閾値0.05未満に維持した（従来法では0.08〜0.18という高いエラー率に膨らむシナリオでも）。さらに、代替シナリオ下で高い統計的検出力を維持しつつ、治療失敗数を減少させた。この研究はStatistics in Medicine誌に掲載された。

骨髄または幹細胞移植後の潜在的な合併症を、症状が現れる前に特定できる人工知能ツールが開発された。これにより、患者のより正確なモニタリングと先制的治療が可能になる可能性がある。BIOPREVENTアルゴリズムは、機械学習と免疫バイオマーカーおよび臨床データを組み合わせて、造血細胞移植（HCT）後の慢性移植片対宿主病（GVHD）または死亡を予測する。GVHDは、血液疾患を治療するために輸注されたドナー細胞がレシピエントに対して反応することで生じ、一般的に皮膚、腸、肝臓に影響を及ぼす。HCT移植後の衰弱性疾患および死亡の主要な原因の1つである。BIOPREVENTは、4つの十分に特徴付けられた多施設研究にわたる1310人の幹細胞および骨髄移植レシピエントのデータを用いて開発された。このデータには、移植後90〜100日の間に採取された血液検体から測定された、炎症、免疫活性化および調節、組織損傷およびリモデリングに関連する7つの検証済み血漿バイオマーカーと、患者の年齢、移植型、原疾患、移植レジストリから特定された既往合併症を含む9つの主要な臨床因子が組み込まれている。複数の機械学習および深層学習モデルが評価され、ベイズ加法回帰木（BART）が一貫して高い結果を示し、最終モデルに選ばれた。BIOPREVENTは、複数の機械学習モデルの中で最も優れた性能を示し、仮想的な試験における2つの患者シナリオに基づく2つの検出力計算において、バイオマーカーに基づく予測ツールとしての実世界での適用可能性を実証した。研究者らは、これはこれまでで最大の慢性GVHDのバイオマーカー研究であり、ウェブベースのツールを無料で公開することでさらなる検証が可能になると考えている。このツールはJournal of Clinical Investigation誌に記載されており、現在はリスク評価および臨床研究を目的として設計されている。

もう1つの新しい手法は、複雑な連続データから異質治療効果を推定するという課題に取り組む。FOCaL（Functional Outcome Causal Learner）は、機能的アウトカム—時間や空間などの連続領域で観測されるデータ—を分析し、通常は単一のスカラーアウトカムに焦点を当てた既存手法の限界を克服するために設計された、二重ロバストな機械学習フレームワークである。FOCaLは、アウトカムモデリングと機能的擬似アウトカム再構成の両方に機能的回帰を採用し、治療効果が個人間でどのように異なるかを頑健に推定することを可能にする。この二重ロバスト性は、基礎となるモデルが不完全に特定されている場合でも信頼性の高い結果を保証するため、極めて重要である。シミュレーション研究により、FOCaLはさまざまなシナリオにわたって既存の非ロバストな機能的アプローチよりも一貫して優れた性能を示した。シミュレーションされた機能的曲線では平均絶対誤差0.083を達成し、平均絶対誤差0.108（標準偏差0.021）を示した最良の非ロバストベースラインと比較して23.5%の削減となった。縦断的患者データに適用した場合、FOCaLは治療反応に基づく患者群の正しく分類された割合として測定される回復の個別化軌跡を0.92の精度で特定し、通常約0.78を達成する従来法を上回った。ロバスト性は、モデル誤特定の程度を変化させた感度分析によって評価され、FOCaLは0.01未満の一貫した推定バイアスを維持した。この研究は、SHAREデータセットのデータを分析して慢性疾患が時間の経過に伴う生活の質指標の進行にどのように影響するかを調査し、イタリアのCOVID-19流行を追跡したデータセットを分析して分散型一次医療の因果的含意を明らかにすることで、FOCaLの可能性を示している。この研究はFOCaLに厳密な理論的基盤を提供し、その統計的特性を確立し、大規模なシミュレーション研究と多様な実世界の機能的データセットを通じてその優れた性能を実証している。