新生児の疑われる敗血症に対する最適なアミノグリコシド投与のための進化型デジタルツインフレームワーク

なぜ小さな患者とビッグデータが出会うのか

新生児が重篤な感染症を発症した場合、医師は正しい抗生物質を正しい用量で数時間以内に開始しなければならないことが多いです。しかし集中治療にいる各新生児は異なり、とくに未熟児では臓器がまだ成熟途上にあります。本研究は、各赤ちゃんの仮想的な「デジタルツイン」がまずコンピュータ上で治療プランを試行できることを示し、感染と戦い、脆弱な腎臓を守り、薬剤耐性菌の増加を抑える用量選択を医師が行えるよう支援します。

新生児の仮想コピーを作る

研究者たちは、アミノグリコシド系抗生物質であるアミカシンが体内でどのように移動し微生物に影響を与えるかを模倣する数学的代理モデルを各赤ちゃんごとに構築しました。ツインの一部は血流、腎臓、体の残りを表し、薬が時間とともにどのように分布し排泄されるかを予測します。別の部分は薬剤に敏感な集団とより手強い集団に分けた細菌コミュニティを表し、変化する薬物濃度下でどのように繁殖、競合、死滅するかを追跡します。これら二つの部分は連結されており、仮想の赤ちゃんと仮想感染は治療中にともに進化します。

ツインに実際の腎機能を学習させる

重症の新生児では、腎機能は日ごとに変動し得ます。特に極低出生体重児、出生時の低酸素、または他の腎に負担をかける薬剤を受けている場合に顕著です。チームは長短期記憶（LSTM）ネットワークと呼ばれる一種の深層学習モデルを、血中の老廃物である血清クレアチニンの7000件以上の実測データで訓練しました。これによりツインは毎日の簡単なベッドサイドデータから重要な腎のろ過値を更新できるようになりました。従来の手作りの腎モデルと比べて、新しいアプローチは異なる病院や疾患タイプにまたがってクレアチニンをより正確に予測し、薬物濃度の予測精度を向上させました。

実際の薬物濃度と感染と比較してツインを検証する

ツインが現実的に振る舞うかを確かめるため、科学者たちはアミカシンを投与された1600人以上の新生児の実治療記録をモデルに与えました。仮想モデルは数千の血中薬物濃度測定値を適度な誤差で再現し、窒息後の低体温療法を受けている赤ちゃんや補助循環薬を使用している赤ちゃんでも同様でした。モデルが予測した細菌数を検証したところ、同じ赤ちゃんの血液培養が陽性か陰性かと一致していました。これはツインが薬物濃度を追跡できるだけでなく、臨床で観察される感染制御の大まかなパターンも捉えられることを示唆します。

コンピュータに治療を調整させる

検証後、デジタルツインは幅広い在胎週数および出生後年齢をカバーする大規模な仮想集団で治療選択を検討するために使われました。最適化プログラムは標準的な投与範囲内で探索し、各ツインに対して細菌を抑えるのに十分なピーク濃度を保ちつつ、投与間で濃度が十分に低下して腎リスクを減らす個別プランを見つけ出しました。モデルはまた治療中に細菌の薬剤感受性が徐々に低下する（耐性が上昇する）ことも模倣しました。より高度なコントローラは数回分先を見越してスケジュールを調整し、後期に手強い菌が再燃するのを防いで長期的な制御を改善しつつ、薬物濃度を危険な領域に押し上げないようにしました。

脆弱な新生児にとっての意味

シミュレーション上の赤ちゃんでも実際の病院コホートでも、デジタルツインに導かれた投与スケジュールは、現在用いられている標準的な投与規則よりも感染の除去予測が良く、耐性菌の拡大が少ないことが示されました。一方で曝露は受け入れられる安全域にとどまっています。このアプローチは年齢、体重、クレアチニン検査、治療履歴など日常的に収集されるベッドサイド情報のみを用います。前向き試験が依然として必要ですが、本研究は各新生児の抗生物質治療が仮想の相棒によって継続的に最適化され、感染を治すのに十分な薬を与えつつ、赤ちゃんを傷つけたり耐性を助長したりしない未来へと向かう道筋を示しています。

引用: Prunella, M., Romano, C., Borri, A. et al. Evolutionary digital twin framework for optimal aminoglycoside dosing in neonates with suspected sepsis. npj Digit. Med. 9, 367 (2026). https://doi.org/10.1038/s41746-026-02558-w

キーワード: 新生児敗血症, デジタルツイン, アミカシン投与, 抗菌薬耐性, 精密医療