スウェーデンの全国健康登録データから構築された機械学習ツールは、対面の評価を要することなく高い精度で股関節骨折リスクを予測でき、現在の臨床スクリーニング実践よりもはるかに多くのリスク集団を特定します。これは、スウェーデンのヨーテボリ大学のクリスティアン・アクセルソンとマティアス・ロレンツォンらの研究グループが、オープンアクセス誌PLOS Medicineに掲載した報告によるものです。
股関節骨折は高齢者における substantial な障害、疾病、死亡と関連しますが、既存のリスク予測ツールは通常、BMIなどの測定や生活習慣情報を含む対面評価を必要とし、大規模なスクリーニングを難しくしています。
この結果は、直接の患者接触なしで、集団レベルで股関節骨折リスクを予測することが可能であることを示しています
Kristian Axelsson
研究者は、50歳以上のスウェーデン住民3,542,647人の全国データを最大10年間追跡しました。研究期間中、このうち142,327人が股関節骨折を経験しました。診断、薬剤、手技、人口統計および社会経済データから抽出された10万を超える変数を用いて、研究チームはFRACTURE-MLと呼ばれる深層学習アプローチを開発・検証しました。
元データと異なる別の群のデータで検証したところ、FRACTURE-MLは、将来股関節を骨折する可能性のある人を、そうでない人と識別する能力が高く、1年先の予測でAUCは0.89、5年先でもAUCは0.85と、わずかに低下した。35変数だけを使った簡略版もほぼ同等の性能を発揮した。スウェーデンの臨床実践で用いられている現行のスクリーニング方法と比較して、FRACTURE-MLは2年以内に股関節骨折リスクを抱える人をほぼ7倍多く特定した（感度0.84対0.12）、特異度は小幅に低下しただけだった（0.79対0.98）。
このモデルは登録データのみを利用しているため、喫煙やアルコール使用などの生活習慣要因に関する情報が欠落しており、これらの要因が骨折リスクに影響を与える可能性があります。著者らは、他国での検証や実世界での導入を検証する研究がなお必要であると指摘しています。「直接の患者との対話なしに、集団レベルで股関節骨折リスクを予測することが可能である」という所見を、第一著者のクリスティアン・アクセルソンは述べています。「このアプローチは予防措置をより効率的にターゲット化し、股関節骨折の発生数を減らす可能性がある」と語っています。
マティアス・ロレンツォンは付け加えます。「FRACTURE-MLは、日常的に収集される医療データと人口データを用いて、高リスクの人を正確に特定しましたが、対面の臨床評価を必要としませんでした。これにより、大規模なスクリーニングをより効率的に行い、予防ケアが股関節骨折を起こす前に人々に届くようになる可能性があります。」
「股関節骨折は、独立性・健康・生存に深刻な影響を及ぼします。現存データから高リスク者を直接特定できるツールは、早期介入を促進し、集団全体の股関節骨折の負担を軽減する可能性があります」と著者らは述べています。「重要な発見の一つは、35の予測因子だけを用いた縮小版が、はるかに大きな機械学習モデルとほぼ同等の性能を示した点です。これにより、強力な予測性能を、比較的実用的で解釈可能なツールで実現できる可能性が示唆されました。全国の登録簿にすでに蓄積されている情報を活用することで、FRACTURE-MLは股関節骨折ケアを、怪我が発生した後に反応する体制から、予防の最初の段階で介入する体制へと移行させる手助けとなり得ます。機械学習は非常に高い精度を示しましたが、慎重に開発された従来の統計モデルも同等の精度を達成しました。したがって、重要な進歩は特定のアルゴリズムそのものではなく、包括的で日常的に収集されるデータをより効果的に活用することにある、という結論に至ります。」
出典: PLOS
