Clinical Newswire

研究者らによって開発された人工知能（AI）モデルは、患者ががんの放射線治療中に予定外の入院をする可能性を予測することができる。

この機械学習モデルは、がん治療を受ける患者の健康状態をモニタリングするため毎日の歩数を利用して、臨床医に個別化医療を提供するリアルタイムな方法となる。

この研究結果は、米国放射線腫瘍学会（ASTRO）の年次総会で発表される予定である。

外来で放射線治療や化学放射線治療を受ける患者の10～20%は、がん治療中に救急外来や入院という形で急性期医療が必要になると推定されている。

このような予定外の入院は、がん治療を受けている人々にとって大きな問題であり、治療の中断やストレスの原因となり、臨床結果に影響を及ぼす可能性がある。

合併症のリスクが高い患者を早期発見し、介入することで、これらの事象を予防できる。

この研究の筆頭著者であり、カリフォルニア大学サンフランシスコ校（UCSF）の放射線腫瘍学および計算健康科学の助教授で、放射線腫瘍情報学の医長も務めるJulian Hong MDは、「予定外の入院のリスクを予測できれば、がん治療中の患者のサポート方法を変更でき、患者が救急医療センターや病院に入院する可能性を低減できる」と述べている。

Hong博士のチームは以前、がんの既往歴や治療計画などの健康データを用いた機械学習アルゴリズムにより、がん治療中に救急外来を受診するリスクの高い患者を特定し、医療者による監視を追加することでこれらの患者の急性期治療率を低減できることを実証した。

今回の研究では、筆頭著者でUCSFの臨床データサイエンティストであるIsabel Friesner氏とともに、ニューヨークのMontefiore Medical CentreのNitin Ohri, MDらと共同で、市販のウェアラブルデバイスからのデータに機械学習アプローチを適用した。

Ohri博士の研究チームは、これまでに3件の前向き臨床試験（NCT02649569、NCT03102229、NCT03115398）で214名の患者からデータを収集している。

これらの試験で、被験者は化学放射線療法を受けながら、数週間にわたって活動量をモニターするフィットネストラッカーを装着していた。

被験者の原発がんの種類はさまざまで、頭頸部がん（30%）、肺がん（29%）が最も多く見られた。

これらの患者の記録から得られた歩数などのデータを用いて、大量の複雑な情報を分析できる機械学習モデルの一種である正則化手法を用いたロジスティック回帰モデルを開発し、検証を行った。

このモデルの目的は、過去2週間のデータに基づいて、ある患者が今後1週間で入院する可能性を予測することであった。

研究者らはまず、被験者の70％（151名）のデータを使って、さまざまな異なる変数がどの程度入院を予測するかを検証し、モデルを作成した。

このモデルには、潜在的な予測因子として患者の特徴（年齢、ECOGパフォーマンスステータスなど）、治療前と治療中に測定された活動データなどが含まれていた。

研究者らは、毎日の歩数の合計に加えて、その人の週ごとの平均値との相対的な変化や、週ごとの最小歩数と最大歩数の差など、他の指標も計算した。

その後、研究チームは残りの30％の患者（63名）を使ってモデルの検証を行った。

歩数を統合したモデルは、翌週の入院を強く予測し（AUC = 0.80, 95% 信頼区間 [CI] 0.60-0.90 ）、歩数を含まないモデルを有意に上回った（AUC = 0.46, 95% CI 0.24-0.66, p<0.001 ）。 「予測ウィンドウの直前の歩数は、一般的に臨床変数よりも予測性が高いという結果になった。歩数は毎日変化するという動的な性質を持っているため、患者の健康状態の指標として特に優れているようだ」とHong博士は述べた。 過去2日間の歩数、過去2週間の最大歩数と歩数幅の相対的な変化などが上位の予測変数となった。 動的データの使用により、このモデルはパフォーマンスステータスや腫瘍の組織型などの臨床データに基づくモデルとは異なるものとなっている。 「このモデルのユニークな点の1つは、継続的に予測できるように設計されていることだ」とFriesner氏は説明した。「どの日でも、アルゴリズムを実行すれば、1週間後の患者のリスクレベルが分かるので、その患者に必要なサポートを提供する時間を確保できる。 このような追加的なサポートが、入院を減らす鍵になるとHong博士は説明する。フォローアップの頻度を増やす、患者の治療計画を変更する、その他の個人的なアプローチなどである。「効果的なのは、医師が患者を診察する際の接点を増やすことである。私たちが患者を見守っていることを知ることで、患者に安心感を与える」 「ウェアラブルデバイスを使用する人が増えるにつれて、収集したデータが有用かどうかという疑問が生じる。私たちの研究は、患者が日常生活の中で自分の健康データを収集することに価値があること、そしてそのデータを使って患者の健康状態をモニターし、予測できることを示している」とFriesner氏は付け加えた。 次のステップとして、Ohri博士が主導するNRGF-001試験（NCT04878952）では、肺がんのCRTを受けている患者を対象に、毎日の歩数モニタリングを行う群と行わない群を無作為に選び、アルゴリズムをより厳密に検証する予定である。 歩数カウント群の患者を担当する医師は、治療プロセスを通じて対象患者から報告を受けた。 また、研究者らは、心拍数などのウェアラブルデバイスで収集されたその他の指標と臨床での有用性を検討する他の研究も計画している。 「ウェアラブルデバイスや患者が作成した健康データは、まだ比較的新しい事象であり、どのように役立つかはまだ分かっていない。私たちの生活の中にある多くのセンサーから、他にどのような情報を得ることができるだろうか？また、電子カルテのような他の種類のデータとどのように連携できるのだろうか？異なるデータポイントは、異なる患者にとってより効果的である可能性がある」とFriesner氏は述べた。 ここ数年の遠隔医療や遠隔診療の普及に伴い、患者が装着したデバイスを使用した遠隔モニタリングのニーズも高まる可能性がある。 臨床医や政策立案者は、これらのデバイスが普及するにつれ、その利用を念頭に置いておくべきだとHong博士は述べた。 「現実世界のウェアラブルデータを扱う際の課題の1つは、この種のデータを取得できるデバイスの所有者に影響を与える経済的・人種的格差である。診療に役立つだけでなく、より多くの患者が利用できるようなツールを開発することが重要だと考える」 https://ecancer.org/en/news/22308-ai-model-using-daily-step-counts-predicts-unplanned-hospitalisations-during-cancer-therapy

（2022年10月25日公開）