認知機能低下を最も早期に予測するための内在的脳活動バイオマーカーの導出

なぜ早期の脳変化が重要か

多くの高齢者は、医師が認知症を診断できるずっと前に微妙な記憶障害に気づきます。この段階では、通常の脳画像検査や血液検査はしばしば正常に見えますが、病的なプロセスはすでに進行している可能性があります。本研究は、単純で非侵襲的な脳波検査である脳波計（EEG）が、非常に早期の脳機能の変化を捉え、数年後に重度の認知低下を経験する可能性が高い人を信頼性をもって予測できるかを検討します。

脳の静かな信号に耳を傾ける

研究者らは「主観的認知障害（SCI）」を抱える人々に着目しました。これは自分の記憶が低下していると感じるものの、標準的な検査では正常に見える高齢者を指します。52〜85歳の88名のボランティアは、目を閉じた安静時に20分間のEEGを記録され、その後5〜7年にわたり追跡されました。追跡期間中、医師は確立された評価尺度を用いて各参加者の認知状態を追跡しました。期間終了時に、参加者の一部は安定したままでしたが、他は軽度認知障害に進行するか認知症を発症しました。これらの結果により、元のEEGに含まれる微妙なパターンが後に悪化する人々を予測できたかどうかを検討できました。

脳波を予測的フィンガープリントに変える

研究チームはEEGを目視で解析するのではなく、定量的EEG（qEEG）を用いて生の脳波を数千の数値的特徴に変換しました。これらの特徴は、アルファやシータのような異なる周波数帯域の強さ、遠隔の脳領域同士の同期度合い（結合性や位相遅れ）、および全体的な活動パターンの複雑さや無秩序さを捉えます。正常な加齢もEEGを変化させるため、研究者らはすべての特徴を年齢で数学的に補正し、「ゼロ」が同年齢の健康な人の期待値を表すように標準化しました。過学習を避けるために、6,000を超える候補指標を系統的に絞り込み、安定的で冗長性がなく、安定した人と悪化する人を最もよく区別するコンパクトなセットにまとめました。

機械学習を水晶球として使う

この縮小された特徴セットを用いて、チームは複数の機械学習モデル（ロジスティック回帰、サポートベクターマシン、ランダムフォレスト）を訓練し、各参加者の将来悪化する確率を推定しました。繰り返しの交差検証と専門的なブートストラップ法を用いて、性能をできるだけ現実的に評価しました。モデル群全体で予測精度は約80%で、受信者動作特性曲線下面積（AUC）は約0.90に達し、安定群と悪化群の識別力が高いことを示しました。最終的なロックされたモデルは14のqEEG特徴のみを使用し、主に額（前頭部）の少数電極から得られる特徴で構成されており、臨床での日常的な利用に実用的です。

脳で何が変わっているか

正確な予測に最も寄与した特徴は、脳領域間のやり取りが初期段階で乱れていることを示していました。特に結合性の指標、前頭左・右間の位相遅れや非対称性がモデルの中心的要素でした。アルファ帯域とシータ帯域の異常も目立ちました：増加またはシータ活動のシフトは、海馬の萎縮や皮質の薄化と関連付けられてきた研究がありますし、アルファのパワーや周波数の変化は出現しつつある損傷に対する脳の初期の補償反応を反映している可能性があります。重要なのは、単一のEEG指標だけでは全体像を示せないということです。リスクの高まりを示したのは特定の組合せ、すなわちバイオマーカーとしての「フィンガープリント」でした。

現場でツールを試す

バイオマーカーが元の集団を超えて一般化するかを確認するため、研究チームは米国とイタリアの2つの独立したコホートでテストしました。それぞれ異なる記録設定や患者特性を持つデータです。未知のデータに対して予想された通り精度はやや低下し、おおむね60〜70%になりましたが、それでも偶然を大きく上回る性能を示し、本手法が捉えている信号の頑健性を示唆しました。研究チームはまた、臨床医が判定閾値を調整できることを示しました：閾値を下げれば感度が上がり（将来悪化する人をより多く捉えるが偽陽性も増える）、閾値を上げれば特異度が上がります（偽陽性は減るが見逃しが増える）。この柔軟性により、臨床の優先順位に応じてツールを調整できます。

患者と臨床家にとっての意味

平たく言えば、本研究は短く痛みのないEEG記録—額上部に数個の電極を置くだけで—が、現時点では正常に見えるが今後数年で認知機能が低下するリスクが高い高齢者を特定するのに役立つ可能性を示しています。さらに大規模な研究や他のバイオマーカーとの比較検討は依然として必要ですが、この手法は安価、非侵襲的、再現可能であり、先進的な画像検査や脊髄液検査が実用的でない環境での広範なスクリーニングに魅力的です。さらに検証が進めば、このようなEEGベースのバイオマーカーは、医師がより早期に介入し、病態進行をモニターし、治療が最も効果を発揮しうる段階で臨床試験参加者を選定するのに役立つ可能性があります。

引用: Prichep, L.S., Zaidi, S.N., Brink, K. et al. Derivation of an intrinsic brain activity biomarker for the earliest prediction of cognitive decline. Sci Rep 16, 5500 (2026). https://doi.org/10.1038/s41598-026-35144-x

キーワード: 早期認知症予測, EEG脳波, 主観的認知障害, 機械学習バイオマーカー, アルツハイマーリスク