背景：断片的な診断にとどまる疾患予測モデルの限界

患者が通院時に生成する電子カルテ（EHR）は、個人の健康状態の変化を示す重要な手がかりです。しかし、これまでは特定の時点における断片的な診断結果を記録するにとどまっていました。既存の疾患リスク予測モデルにも限界があります。心血管疾患リスクを評価するPooled Cohort Equations（PCE）や、乳がん発症率を算出するGailモデルなどのモデルは、通常、単一の疾患の発症率のみを独立して計算します。しかし、人体においては、複数の疾患が相互に関連し合い、時間の経過とともに動的に変化する傾向があります。患者の先天的な遺伝的リスクを表すポリジェニック・リスク・スコア（PRS）とこれを組み合わせて、長期的な疾患傾向を予測する研究は続けられてきましたが、複雑な臨床データと遺伝情報を有機的に結びつけることは容易ではありませんでした。

主な知見：68万人のデータから設計された動的疾患予測AIモデル

マサチューセッツ総合病院（MGH）やダナ・ファーバーがん研究所を含むハーバード大学医学大学院の研究チームは、'ALADYNOULLI'と呼ばれる新しい動的ベイズ生成フレームワークを導入することで、これらの課題に対処しました。アラジンの魔法のランプの名前と数学者ヤコブ・ベルヌーイにちなんで名付けられたこの人工知能（AI）モデルは、縦断的なEHRとPRSを組み合わせることで、生涯にわたる疾患リスクの変化を精密にシミュレーションします。鍵となるのは、時間の経過に伴う疾患発症パターンを数学的に滑らかにつなぐガウス過程事前の導入です。研究チームは、UKバイオバンク、MGB、および米国国立衛生研究所の「All of Us」コホートを含む、68万3,000人のデータを含む大規模かつ多民族のデータを用いてモデルを検証しました。分析の結果、ALADYNOULLIは、がん、心血管疾患、精神疾患を含む300以上の疾患領域において、PCE、QRISK3、PREVENTなどの既存の標準的なリスクスコアよりも、洗練された短期および長期のリスク識別性能を示すことが明らかになりました。さらに、このフレームワークは、単一の疾患に焦点を当てた既存のゲノムワイド関連解析（GWAS）で見落とされていた可能性のある新しい遺伝子領域を特定することに成功しました。これは注目に値する点です。また、このフレームワークは、同じ疾患と診断された患者群の中から生物学的に異なるサブタイプを区別することにも成功し、精密診断の可能性を次のレベルへと引き上げました。

意義と展望：生涯疾患マップの完成に向けて解決すべき課題

この研究は、臨床医が特定の疾患の有無だけでなく、生涯にわたる有機的な疾患発症の軌跡によって患者を理解するための道を開きました。この患者中心の精密医療は、予防医療のレベルを向上させる大きな原動力になると期待されています。しかし、現時点で解決すべき明確な課題もあります。大規模なバイオバンクのほとんどがヨーロッパ系集団に偏っているため、限られた民族的多様性のデータで訓練されたAIが、アジア人やその他の民族グループでも同様に優れた性能を発揮するかどうかは不透明です。したがって、多様な多民族コホートを用いた追加の検証が現在求められています。さらに、個人情報を保護しつつ、医療現場でリアルタイムに入力される複雑な病院記録を迅速に整理し、AIモデルに連携できるシステムインフラを構築する必要があります。