複数の機関が協力した研究チームが、機械学習を活用して敗血症ショックの治療法を最適化する新しいアプローチを実証した。この研究は、米国で年間27万件以上の死亡を引き起こす深刻な合併症である敗血症ショックの治療において、個別化された血圧管理の実現に向けた重要な一歩となる。ジョンズ・ホプキンス大学のスーシ・サリア教授が中心となり、カリフォルニア大学サンフランシスコ校のロマン・ピラキオ教授らが共同研究を推進。研究成果は『JAMA』に掲載された。 敗血症ショックでは血圧低下が引き起こされ、臓器機能不全を招く。緊急治療として、液体補給と血管収縮薬（vasopressor）の投与が行われる。国際ガイドラインでは、まずノレピンエフリンを投与し、効果が不十分な場合にビサプレシンという強力なホルモン薬に切り替えることが推奨されている。しかし、患者の状態は急速に変化するため、いつビサプレシンを開始すべきかは臨床的に難しい課題であり、早すぎると重大な副作用を引き起こすリスクがある。 研究チームは、電子カルテデータを活用し、3,500人以上の患者データをもとに強化学習（reinforcement learning）モデルを構築。このモデルは、血圧、臓器機能障害のスコア、他の薬剤の使用状況などを考慮し、個々の患者に最適なビサプレシン開始タイミングを判断できるように学習させた。さらに、追加の約1万1,000人のデータでモデルを検証した結果、アルゴリズムが推奨したタイミングで投与された患者の入院死亡率が有意に低下していた。 特に注目すべきは、モデルが臨床現場で行われている治療よりも早期にビサプレシン投与を推奨したものの、それよりもさらに早く投与された場合、逆に悪化したという点。これは、治療の「最適タイミング」が患者ごとに異なることを示しており、一括処理のガイドラインでは対応できない個別性の重要性を裏付けた。 今後、このモデルはUCSF医療センターで実用化され、サリア教授の研究から派生したAIプラットフォーム「Bayesian Health」と連携して全国展開が予定されている。サリア教授は、「この技術は、従来の臨床試験で数年かけて行う実験を、データから同時に数千回学習できる」と述べ、医療における強化学習の可能性を示している。敗血症ショックの治療にとどまらず、個別化医療の新たな基盤となることが期待されている。