高血圧診療における次世代の個別化医療戦略を提唱-機械学習により個人の治療効果を予測する時代へ-

　井上浩輔 白眉センター特定准教授（研究当時：医学研究科助教）、津川友介 カリフォルニア大学ロサンゼルス校（UCLA）准教授、Susan Athey スタンフォード大学教授による研究グループは、最先端の機械学習モデルを応用することで、高血圧診療における次世代の個別化医療戦略「高ベネフィット・アプローチ」の有用性を提唱しました。

　従来の医療において治療する対象集団を選定する際、心血管疾患や死亡などの発生率の高い「高リスク患者」の治療を優先してきました。「高リスク」患者に注力するという意味で、これを高リスク・アプローチと呼びます。一方で、近年急速な発展を遂げている機械学習を応用することで、個人レベルの治療効果を推定することができ、推定される治療効果の高い集団（高ベネフィット患者）にターゲットを絞ったアプローチが可能となってきました。本研究チームはこのアプローチを高ベネフィット・アプローチと命名し、その有用性を高血圧診療における2つのランダム化比較試験と米国の一般集団コホートのデータを用いて検討しました。

　本研究では、心血管イベント発症リスクの高い人（高リスク患者）が必ずしも厳格な降圧管理（収縮期血圧を120mmHg未満に下げる管理）による効果が高いわけではないことがわかりました。また、高ベネフィット・アプローチによって治療集団を選んで介入することで、従来の高リスク・アプローチよりも患者集団全体で享受できる治療効果が5倍程度大きくなることが明らかとなりました。これにより、高ベネフィット・アプローチを応用することで、厳格な降圧管理を受けるべき個人を効率的に同定し、介入によって得られる効果を最大化できる可能性が示唆されました。

　本研究成果は、個人の治療効果に着目した高ベネフィット・アプローチのコンセプトを確立し、その有用性を示した点で、機械学習を応用した次世代の個別化医療の礎になると期待されます。

　本研究成果は、2023年4月4日に、国際学術誌「International Journal of Epidemiology」にオンライン掲載されました。

研究者のコメント

「本研究は井上（筆頭著者）がUCLA留学中に津川（最終著者）と一緒に、Susan Athey（第二著者）の因果フォレストに関する講演を聞いたことがきっかけで始まりました。経済学から生み出された最先端の機械学習モデルをどのように臨床医学のコンテキストに落とし込み、フレーミングするかという点で、査読プロセス含め大変勉強になると同時に苦悩しました。最終的に疫学領域の国際トップジャーナルに受理していただくことができ嬉しく思います。私たちの提唱する高ベネフィット・アプローチが今後世界でどのように評価されていくかを楽しみにしながら、実装に向けて引き続き研究を進めていく所存です。」（井上浩輔）