認知症リスク予測のための機械学習モデル：Sydney Memory and Ageing Studyからの証拠

健康な老化のためにこれが重要な理由

認知症は高齢期に最も恐れられる病状の一つですが、多くの人は記憶や思考の問題が既に進行してからでなければ診断を受けません。本研究は希望を持たせる問いを投げかけます：年齢、簡単な認知検査、血糖値、心血管の健康など、診療所で既に収集されている情報を用いて、最大10年先に誰が認知症を発症しやすいかを特定できるでしょうか？もし可能であれば、医師は監視や予防の努力を最も必要な人に集中させることができます。

長期にわたる加齢研究を詳しく見る

研究者たちはSydney Memory and Ageing Studyを利用しました。この研究は、登録時に認知症がなく70歳以上だった1000人以上のオーストラリア人を追跡しています。約10年の間に、参加者のうち一部は認知症を発症し、他は発症しませんでした。開始時に全員が詳細な認知・記憶検査、気分に関する質問票、血液検査や心血管の指標を含む医学的検査を受けました。後に認知症を発症した人々に共通する出発時の特徴を突き止めることで、研究チームは高リスクのプロファイルをコンピュータモデルに学習させることができました。

将来のリスクを見分ける機械を教える

こうした予測ツールを構築するため、著者らは複数の一般的な機械学習手法を比較しました。すべてのモデルは同じ問いに答えようとしています：ある人のベースライン情報が与えられた場合、その人が10年後に認知症である確率はどれくらいか（なお対象者が生存し評価を受けることを前提とする）。アルゴリズムは参加者の約70％のデータで学習し、残りの30％は未知の検証用として保持されテストされました。入力には年齢、教育、気分症状、詳細な認知スコア、ウエスト・ヒップ比、標準的な心疾患リスクスコア、およびコレステロール、トリグリセリド、尿酸、腎機能、炎症マーカー、空腹時血糖などの血液指標が含まれました。APOE ε4として知られる遺伝的リスクマーカーは、後からオプションとして検討されました。

信号の大部分を担う4つの簡明な指標

各種アプローチの中で、LASSO回帰と呼ばれる簡潔化された手法が最も良好に機能しました。多くの候補から出発したにもかかわらず、このモデルは4つの予測因子だけを残しました：年齢、全体的な認知パフォーマンス、空腹時血糖、そして心血管リスクの合成スコアです。高年齢、高い血糖、そしてより悪い心血管プロファイルはそれぞれ予測リスクを上げ、認知パフォーマンスが優れているとリスクは下がりました。保持しておいた検証群では、この4因子モデルは将来認知症になる人を、ならない人よりも約4分の3の確率で正しく上位にランク付けできました。これは臨床的リスクツールとして許容される水準です。また真の将来ケースを見つけることと過剰な誤報を避けることのバランスも良好でした。

あまり寄与しなかったものとツールの使い方

驚いたことに、最良モデルにAPOE ε4の遺伝子状態を追加しても精度は向上せず、年齢、認知パフォーマンス、血糖、心血管リスクが既に含まれている場合はいくつかの指標がやや悪化しました。これは少なくともこの高齢者集団では、主要な情報は遺伝子検査や実験的な血液マーカーではなく、日常の臨床情報によって語られることを示唆します。著者らはこれら4つの数値をスプレッドシートで実装できる簡単な式を提供しており、それにより推定される10年認知症リスクを算出し、提案されたカットオフと比較して「高リスク」か「低リスク」かを分類できます。さらに、各医療システムが自国や年齢層ごとに認知症の有病率が異なる場合、モデルの基準点を調整する方法も説明しています。

患者と臨床医にとっての意味

現時点では、この研究は実用化されたスクリーニングプログラムというより概念実証です。年齢、構造化された認知検査、空腹時血糖、標準的な心疾患リスクスコアといった馴染みある少数の指標が、診断の最大10年前に高齢者を低リスクと高リスクに有意に分類できることを示しています。広く用いられる前には、このモデルを他国で、日常診療に適したより簡便な認知検査とともに検証し、確率的リスク推定に対して患者と臨床医がどう反応するかという現実的な問いにも向き合う必要があります。それでもなお示唆は力強い：脳の健康、血糖、心血管の健康に同時に注意を払うことが、より綿密な監視や早期の予防戦略から最も恩恵を受ける人を特定する助けになる可能性があります。

引用: Chalmers, R.A., Cervin, M., Choo, C. et al. Machine learning models for dementia risk prediction: evidence from the Sydney Memory and Ageing Study. npj Dement. 2, 27 (2026). https://doi.org/10.1038/s44400-026-00071-1

キーワード: 認知症リスク予測, 機械学習, 認知的老化, 心血管代謝の健康, 早期発見