有害事象の因果関係評価を自動化するためのkNNに基づく機械学習アプローチ

なぜ薬を服用する人にとって重要なのか

新しい薬が市場に出ると、その物語は始まったばかりです。実際の世界で何百万人もの人がそれを使い、中には薬が原因である可能性のある健康問題を経験する人もいます。どの反応が実際に薬に起因するかを見極めることは患者の安全のために不可欠ですが、現在その作業は遅く、複雑で、主に手作業です。本研究は、単純ながら強力な形の人工知能が、最終的に患者を守る人間の判断を置き換えることなく、専門家がこれらの安全報告をより速く、より一貫してレビューするのにどのように役立つかを探ります。

安全性の事例がデータになる仕組み

製薬企業や規制当局は、個々の症例安全性報告（individual case safety reports）に依拠しています。これらは薬を使用した実際の人々の経験を構造化してまとめたものです。各報告には、何が問題となったか（たとえば頭痛や肝障害）、どの程度重篤だったか、他にどんな薬や病歴があったか、そして元の評価者が薬との関連についてどう考えたかが含まれることがあります。6つの市販薬に関する80万件以上のこうした報告では、同社の医療レビュアーが各有害事象が薬に関連するか、関連しないか、あるいは情報不足や矛盾のため判断不能かを既に判定していました。研究者たちはこの豊富な過去記録を、新しい症例に対して人間の判断を模倣するコンピュータモデルの学習素材として用いました。

類似症例を見つけるようコンピュータを教える

ブラックボックス型のシステムを構築する代わりに、チームは「近傍法（nearest neighbors）」と呼ばれる特に透明性の高い手法を選びました。その考え方は直感的です：二つの症例が非常によく似ていれば、薬が原因かどうかに関する結論も同じである可能性が高い。類似性を捉えるために、研究者たちは各有害事象を7つの要素からなるプロファイルとして表現しました。それには、事象の医学用語、投薬中止・再投与時の経過、その薬で予測される問題かどうか、報告者の意見、併用薬、既往歴、および事象の重篤度が含まれます。次に、これら7次元の空間で任意の二つの症例がどれだけ近いかを測定し、事象の正確な内容や治療変更時の経緯といった因果関係に特に重要な特徴により大きな重みを与えました。

近さから三択の判定へ

新しい報告が届くと、モデルは過去のデータをさかのぼり、最も類似した10件を探します。次にそれら近傍がどのように分類されていたかを確認し、三つの大まかな結果 ― 薬に関連する可能性が高い、関連しないまたは可能性が低い、評価不能 ― の間で「投票」させます。この三者分類は臨床的なニュアンスと信頼できる性能のバランスをとるものです。25万件を超える未見の事象でテストしたところ、モデルは薬に関連すると判断された事象と評価不能とされた事象について人間のレビュアーと近い一致を示し、誤分類率は低く、精度と網羅性を組み合わせた良好なスコアを示しました。明らかに関連なしとされた小さなグループでは性能が劣る傾向があり、これはあるタイプの例が比較的稀である場合に機械学習が直面する課題を反映しています。

「判断不能」の霧を減らす

現場の安全性業務で実際に問題となるのは、情報が乏しいか曖昧な場合に「評価不能」ラベルが包括的な受け皿になってしまい、真の安全性パターンが見えにくくなることです。研究者たちはモデルがこのラベルを割り当てる際により慎重になるよう調整ツールを追加しました。単純多数決で「評価不能」が勝つたびにそのラベルを選ぶのではなく、近傍のより高い割合がその選択を支持することを要求するようにしたのです。この閾値を上げることで、モデルが症例を評価不能とする頻度を大幅に減らし、残りの二つのカテゴリでの性能を改善することができましたが、判定が最も難しい事例に対する不一致がやや増えるという代償もありました。ウェブベースのダッシュボードにより医療レビュアーは製品ごとにこの閾値を調整し、アウトカムのバランスがどのように変わるかを即座に確認し、モデルと人間の見解が異なる症例に注力できます。

今後の医薬品安全性にとっての意義

人間のレビュアーが評価不能とラベル付けした最近の症例のサンプルについて、システムは結論が異なる数百件をハイライトしました。上級レビュアーがこれらを再検討したところ、彼らはモデルの判断に3分の2以上の割合で同意し、こうしたツールが見落とされたパターンを指摘し、専門家を置き換えるのではなく品質管理を支援しうることを示しました。本研究は、類似性に基づく明快なアプローチが説明可能で調整可能、かつ医療実務と整合した形で人工知能を医薬品安全性に導入できることを示しています。データが蓄積され、現代の言語技術を用いてテキスト記述が追加されれば、このようなシステムは新たなリスクをより早く検出する手助けとなり、最終判断は臨床医が確実に握ったままにすることができるでしょう。

引用: Ren, J., Carroll, H., McCarthy, K. et al. A kNN based machine learning approach to automating causality assessment of adverse events. Sci Rep 16, 9140 (2026). https://doi.org/10.1038/s41598-026-40267-2

キーワード: 医薬品安全監視, 有害薬物事象, 因果関係評価, 機械学習, k近傍法