機械学習モデルによるてんかん患者のうつ病発症とうつ病患者のてんかん発症予測
概要
大規模な後向き研究において、高度な機械学習（ML）モデルが、うつ病患者（PWD）における将来のてんかん発症、およびてんかん患者（PWE）における将来のうつ病発症の人口統計学的、社会経済学的、臨床的予測因子を特定しました。
研究方法
研究者らは、ヨーロッパ7カ国（デンマーク、フランス、ドイツ、イタリア、スペイン、スウェーデン、英国）の18のデータソースから得られた縦断的な患者レベルデータを分析する後向き観察コホート研究を実施しました。
対象コホート: 約220万人のPWEと約970万人のPWD。
モデル学習: 各国で独立して教師ありMLモデルを訓練。
予測因子: 人口統計、社会経済的地位指標、臨床歴、Charlson Comorbidity Index (CCI) スコア、医療利用状況。
評価: Shapley Additive Explanationsを用いて最も重要な予測因子を特定し、モデル性能はAUROC（受信者操作特性曲線下面積）とrAUPRC（精度-再現率曲線下面積）で評価。予測期間は365日。
主な結果
モデルは英国のデータで最高の性能を示しました。
PWEにおけるうつ病予測: AUROC 80%、rAUPRC 6。
PWDにおけるてんかん予測: AUROC 78%、rAUPRC 15。
デンマークとスウェーデンがこれに続きました。
予測因子:
PWEにおけるうつ病発症の予測因子: 女性、成人年齢（20歳以上）、低社会経済的地位、アルコール使用歴、抗不安薬・抗精神病薬・抗片頭痛薬の処方。
PWDにおけるてんかん発症の予測因子: 男性、低社会経済的地位、アルコール乱用、高いCCIスコア、抗血栓薬の使用。
両コホートに共通する予測因子: 医療資源利用の増加（受診回数や処方数の増加）。
臨床的意義
著者らは、「性別、低SES（社会経済的地位）、高い精神疾患の併存負荷、広範な医療利用を含む、PWEにおけるうつ病とPWDにおけるてんかんの両方に共通する予測因子は、これらの重複するリスク要因に対処する多分野連携ケアモデルの必要性を強調している」と述べています。これらのMLツールは、「高リスク個人の特定を支援し、タイムリーな介入を可能にすることで、予防の強化、予後の改善、患者のQOL向上に貢献できる」と付け加えています。
限界
本研究は、後向き・観察研究デザイン、各国間での電子カルテデータカバレッジの不均一性、処方データソースのばらつき、社会経済的地位などの変数捕捉の非均一性、一部の国でのサンプルサイズの小ささによって限界があります。また、多適応薬クラスの診断日を確立するための治療代用への依存、データベースパネルカバレッジからの不完全な患者履歴、臨床記録と薬局記録間のデータ連携の欠如、および国際的な疾患コーディングシステムの不一致によっても限界がありました。
資金提供と開示
本研究はAngelini Pharma SpAによって資金提供されました。複数の著者がAngelini Pharma SpAまたはIQVIAの従業員であることを開示しています。
元記事：Advanced ML Model Predicts Onset of Epilepsy and Depression