機械学習で慢性疾患の生涯リスクを予測：千葉大学が2型糖尿病の30年間を再現する新技術「SReFT-ML」を発表

機械学習が慢性疾患の生涯リスク予測を変える：新技術「SReFT-ML」
研究の背景と「SReFT-ML」の登場
2型糖尿病の生涯進行モデルを構築
今後の展望とAI Workstyle Lab編集部コメント
- AI Workstyle Lab編集部コメント
用語解説
論文情報
参考資料1

機械学習が慢性疾患の生涯リスク予測を変える：新技術「SReFT-ML」

千葉大学大学院薬学研究院の研究グループが、機械学習を活用した新しい解析手法「SReFT-ML」（Statistical Restoration of Fragmented Time course – Machine Learning）を開発しました。この技術は、慢性疾患の長期にわたる進行を予測し、特に2型糖尿病の30年間の病状変化を再現することに成功しています。

研究の背景と「SReFT-ML」の登場

慢性疾患の長期的な進行を理解し、予測することは、適切な治療戦略の決定や臨床試験の実施において非常に重要です。特に2型糖尿病のように数十年にわたって進行する疾患では、患者の予後や治療ニーズを推定するための深い洞察が求められます。

しかし、従来の臨床試験の観察期間は短く、短期間の情報から病気の長期的な特徴を捉えることは困難でした。これに対し、研究グループは以前、疾患進行の数理モデルを設計し、複雑な統計モデル「SReFT」を開発しました。SReFTは強力な手法でしたが、大規模データに対する計算負荷が高いという課題がありました。

そこで今回、計算コストを大幅に抑えた「SReFT-ML」が開発されました。SReFT-MLは、SReFTが複雑な統計モデルを用いるのに対し、機械学習を応用することで、より高速かつ大規模なデータ解析に対応できるようになりました。これにより、多数の患者データや日常の医療現場で得られる「リアルワールドデータ」の解析に適しています。

2型糖尿病の生涯進行モデルを構築

本研究では、米国の公開臨床試験リポジトリ組織であるBioLINCC（注2）に登録されているACCORD試験（注3）の糖尿病患者約1万例を対象に、29種類のバイオマーカー（生体内の変化を示す指標）の経時的なデータに対してSReFT-MLを適用しました。

SReFT-MLは、断片的な患者個々の臨床観測データから、疾患発症からの経過時間（疾患時間）の順にデータを並び替え、バイオマーカーの生涯にわたる変化を推定します。これにより、患者ごとに異なる「疾患時間」を再構成し、多数の患者データを同一の進行軸上に再配置することが可能になりました。

この解析の結果、複数のバイオマーカーが疾患時間に沿って一貫した変化パターンを示すことが確認されました。例えば、腎機能（eGFR）の低下、拡張期血圧（DBP）と心拍数（HR）の低下、神経障害スコアの増加など、2型糖尿病の合併症として知られる臓器機能や生理状態の悪化が特徴的でした。

さらに、この再配置されたデータに基づき、死亡率や合併症発症リスクの疾患進行に伴う変化も予測可能となりました。心血管死の生存曲線およびハザード推移からは、疾患時間に沿ってイベントリスクが30年スケールでダイナミックに変化する様子が捉えられています。

SReFT-MLは、従来の年齢や観察期間での解析と比較して、以下の利点があるといえます。

疾患進行の「進度」を個別に推定することで、早期進行群と遅延進行群の識別が可能です。
疾患軸に沿った変化として、時系列的な介入効果やリスク因子の影響を評価できます。

今後の展望とAI Workstyle Lab編集部コメント

研究グループは、臨床で得られる多数のデータから患者の「疾患時間軸」を復元することが、より効果的な比較や予測の鍵となると考えています。今回のSReFT-MLの開発により、単なる観測時間では見落とされがちな疾患進行の共通パターンが明確になり、今後の治療法開発や臨床予測モデルへの応用が期待されています。

AI Workstyle Lab編集部コメント

この研究は、AI、特に機械学習が医療分野にもたらす大きな可能性を示しています。慢性疾患の長期的な進行を予測することは、個別化医療の実現において極めて重要です。SReFT-MLのように、大規模な臨床データを効率的に解析し、疾患の「生涯リスク」を予測できる技術は、医師が患者一人ひとりに最適な治療計画を立てる上で、強力なツールとなるでしょう。

AIが複雑なデータからパターンを抽出し、人間では把握しきれない長期的な傾向を可視化する能力は、ビジネスにおいても同様に価値があります。例えば、顧客の生涯価値予測、製品の長期的な市場トレンド分析、従業員のキャリアパス予測など、様々な分野で応用が期待されます。AIは単なる自動化ツールではなく、未来を予測し、より賢明な意思決定を支援する「知的なパートナー」として、私たちのワークスタイルを大きく変革していくことでしょう。

用語解説

注1）SReFT：疾患進行の共通軸を見出し、非線形混合効果モデル（個々のデータと集団全体の傾向を同時に考慮する統計モデル）を用いて疾患時間とバイオマーカーや症状の変化を再配列・解析する手法。SReFT-MLは、これに機械学習を用いることで計算効率を向上させ、大規模な解析に対応しています。
注2）BioLINCC：米国国立衛生研究所に所属する生物学的標本とデータリポジトリ情報センター。過去の臨床試験情報と生物学的標本を研究者に公開しています。
注3）ACCORD試験：2型糖尿病患者の心血管イベントリスクに血糖コントロールが及ぼす影響を明らかにするため、強化血糖降下療法と標準血糖降下療法の比較を検討した大規模臨床試験です。

論文情報

タイトル：Development of a Novel Machine Learning Method for Estimation of Life-Long Chronic Disease Progression and Its Application to Type 2 Diabetes
著者：Yamato Sano, Ryota Jin, Hideki Yoshioka, Yuki Nakazato, Hiromi Sato, Akihiro Hisaka
雑誌名：Clinical and Translational Science
DOI：10.1111/cts.70351