MITなどの研究者らは、他の選択肢よりもリスクが高い医療行為を特定するために使用できる機械学習モデルを開発した。
さらに、このモデルは、敗血症患者が医療上の行き止まりに近づいていることを医師に警告することもできる。医療上の行き止まりとは、どのような治療を行っても患者が死亡する可能性が最も高くなる時点を指す。
研究者らによれば、このモデルは、患者の容態悪化を医師が認識するよりも約8時間早く検知できるという。
敗血症は、米国で毎年約27万人の命を奪っている。予測が困難なこの病態は急速に進行し、血圧の急激な低下、組織の損傷、多臓器不全、そして死につながる可能性がある。
医療従事者による迅速な介入は命を救うが、一部の敗血症治療は患者の容態悪化を招く場合もあるため、最適な治療法を選択することは困難な作業となり得る。例えば、重症敗血症の初期段階では、静脈内に過剰な輸液を行うと、患者の死亡リスクが高まる可能性がある。
臨床医が患者の死亡につながる可能性のある治療を避けられるよう、MITなどの研究者らは、他の選択肢よりもリスクが高い治療を特定するために使用できる機械学習モデルを開発した。このモデルは、敗血症患者が医療上の行き止まりに近づいていることを医師に警告することもでき、医療上の行き止まりとは、どのような治療を行っても患者が死亡する可能性が最も高くなる時点を指す。これにより、手遅れになる前に医師が介入できるようになる。
病院の集中治療室における敗血症患者のデータセットに適用したところ、研究者らのモデルは、死亡した患者に施された治療のうち約12％が有害であったことを示した。また、本研究では、生存しなかった患者のうち約3％が、死亡の最大48時間前に医療上の行き止まりに入っていたことも明らかになった。
「我々のモデルは、患者の容態悪化を医師が認識するよりも約8時間早く検知できることが分かりました。これは非常に有効です。こうした極めて繊細な状況では一分一秒が重要であり、患者の状態の変化や、特定の時点で特定の治療を行うことのリスクを把握することが極めて重要だからです」と、コンピュータサイエンス・人工知能研究所（CSAIL）のHealthy MLグループに所属する大学院生、テイラー・キリアン氏は述べている。
本論文には、キリアン氏の指導教員である、Healthy MLグループの責任者であり上級著者でもあるマルズィエ・ガセミ助教授に加え、筆頭著者であるマイクロソフト・リサーチの上級研究員メフディ・ファテミ氏、そしてアドビ・インディアの上級研究科学者ジャヤクマール・スブラマニアン氏が参加している。本研究は、今週開催されている神経情報処理システムに関する国際会議（Conference on Neural Information Processing Systems）で発表されている。
データの不足
本研究プロジェクトは、ファテミ氏が2019年に執筆した論文に端を発している。同論文は、任意の行動を試みることが危険すぎる状況における強化学習の活用を検討したもので、そのような状況では、アルゴリズムを効果的に訓練するための十分なデータを生成することが困難である。こうした、さらなるデータを能動的に収集できない状況は、「オフライン」設定として知られている。
強化学習では、アルゴリズムは試行錯誤を通じて訓練され、報酬の累積が最大化されるような行動を学習する。しかし、医療の現場では、治療戦略を試験的に実施することは倫理的に許されないため、これらのモデルが最適な治療法を学習するために十分なデータを生成することはほぼ不可能である。
そこで研究者らは、強化学習の発想を逆転させた。病院の集中治療室から得られた限られたデータを用いて強化学習モデルを訓練し、患者が医療上の行き止まりに入ることを防ぐという目的のもと、避けるべき治療を特定させた。
キリアン氏によれば、避けるべき事柄を学習することは、統計的により効率的な手法であり、必要とするデータも少なくて済むという。
「車の運転における行き止まりを考えると、道路の終点が行き止まりだと思うかもしれませんが、行き止まりに向かう道路上のあらゆる地点を行き止まりとみなすこともできるでしょう。別のルートから外れた瞬間、既に行き止まりに入っているのです。医療における行き止まりも同様に定義しています。つまり、どのような判断を下しても患者が死に向かうような経路に一度入ってしまえば、それが医療上の行き止まりなのです」とキリアン氏は述べている。
「ここでの中核的な考え方は、各治療法を選択する確率を、その治療が患者を医療上の行き止まりに追い込む可能性に比例して低減させることです。これは治療の安全性と呼ばれる特性です。データがそのような知見を直接与えてくれないため、これは解決が困難な課題です。我々の理論的な結果により、この中核的な考え方を強化学習の問題として再定義することが可能になりました」とファテミ氏は述べている。
研究者らは、「行き止まり発見（Dead-end Discovery：DeD）」と呼ばれる手法を開発するため、ニューラルネットワークを2つ複製した。1つ目のニューラルネットワークは、患者が死亡した場合といった否定的な結果のみに焦点を当て、2つ目のネットワークは、患者が生存した場合といった肯定的な結果のみに焦点を当てる。2つのニューラルネットワークを個別に用いることで、研究者らは、一方でリスクの高い治療を検出し、もう一方でその検出結果を確認することが可能になった。
研究者らは、各ニューラルネットワークに、患者の健康状態に関する統計データと提案された治療法を入力した。ネットワークは、その治療法の推定値を出力するとともに、患者が医療上の行き止まりに入る確率も評価する。研究者らは、これらの推定値を設定された閾値と比較し、状況に警告を発する必要があるかどうかを確認した。
黄色の警告フラグは、患者が注意を要する状態に入りつつあることを示し、赤色の警告フラグは、患者が回復する可能性が非常に低い状況であることを示す。
治療が重要である
研究者らは、ベス・イスラエル・ディーコネス医療センターの集中治療室から、敗血症であると推定される患者のデータセットを用いてモデルを検証した。このデータセットには、約19,300件の入院記録が含まれており、患者に敗血症の症状が初めて現れた時点を中心とする72時間の期間から抽出された観察データが含まれている。研究結果により、データセット内の一部の患者が医療上の行き止まりに直面していたことが確認された。
研究者らはまた、生存しなかった患者のうち20～40％が、死亡前に少なくとも1つの黄色の警告フラグを示しており、その多くが死亡の少なくとも48時間前にそのフラグを示していたことを明らかにした。さらに、生存した患者と死亡した患者の推移を比較すると、患者が最初の警告フラグを示した時点で、投与された治療の価値に非常に急激な乖離が生じることも示された。最初のフラグの前後の時間帯は、治療判断を行う上で極めて重要な時点である。
「この結果により、治療が重要であり、患者の生存と死亡とで治療に乖離が生じることを確認することができました。最適とはいえない治療のうち、最大11％は、その時点で医師に利用可能なより良い選択肢があったため、回避できた可能性があることが分かりました。任意の時点で病院に入院している敗血症患者の世界的な規模を考えると、これは決して小さくない数字です」とキリアン氏は述べている。
ガセミ氏はまた、本モデルは医師に取って代わるものではなく、医師を支援することを目的としていることを、すぐに指摘している。
「ケアに関する意思決定を行うのは人間の臨床医であるべきであり、どの治療を避けるべきかという助言がそれを変えることはありません」と彼女は述べている。さらに、「19,000件の患者の治療結果に基づき、リスクを認識し、適切なガードレールを追加することができます。これは、1人の介護者が1年間にわたり、毎日50人以上の敗血症患者の転帰を目にすることに相当します」と続けた。
今後、研究者らは、治療上の決定と患者の健康状態の推移との間の因果関係を推定することも目指している。医師がより情報に基づいた判断を下せるよう、治療値に関する不確実性の推定値を作成できるよう、モデルの改良を継続する予定である。また、モデルのさらなる検証方法として、他の病院のデータに適用することも考えられており、将来的に実施したいと考えている。
本研究は、マイクロソフト・リサーチ、カナダ先端研究所（CIFAR）のアズリエリ・グローバル・スカラー・チェア、カナダ研究評議会のチェア、そしてカナダ自然科学・工学研究会議のディスカバリー・グラントによって一部支援を受けた。
