序論
運動時のピーク酸素摂取量（peak oxygen uptake, VO2 peak）は、心肺機能の重要な指標であり、臨床におけるリスク層別化、外科的評価、および臨床試験のエンドポイントとして広く用いられている。VO2 peak の解釈には、通常、年齢・性別・身体計測学的変数に基づく予測値で正規化する必要があり、その際には確立された予測方程式が用いられる。しかし、このような方程式は複数存在し、それぞれ異なる研究集団とモデリング手法から導出されているため、運動能力の解釈に食い違いが生じうる。この不一致は臨床判断や研究結果に影響しうるが、これまで十分には明らかにされていなかった。Abbaspour Kaboudan ら（2026年）の研究では、よく用いられる7種類の予測方程式が運動遂行能力の分類に与える影響、方程式間の一致度、ならびに不一致の規定因子を、受動喫煙に曝露された非喫煙の客室乗務員からなる詳細に評価されたコホートで系統的に検討した。本稿では同研究の知見を批判的に概説し、より広い臨床文脈に位置づけるとともに、診療および研究への示唆を示す。
研究背景
心肺運動負荷試験（cardiopulmonary exercise testing, CPET）は、肺・循環器・筋機能を統合的に評価する手法である。VO2 peak は運動能力と心肺機能を推定するうえで重要な指標である。特に、絶対値としての VO2 peak は、年齢、性別、体格、場合によっては人種差を考慮するために、予測値に対する割合（percent-predicted value）として正規化され、個人間比較を容易にする。予測方程式は、多様な集団を対象に、異なるモデリング戦略と基準範囲を用いて作成されてきた。そのため、これらの方程式が人口統計学的因子をどのように組み込むかによって、percent-predicted VO2 peak に乖離が生じ、正常または低下（<80% predicted）といったカテゴリーへの分類が変動しうる。この変動は、特に外科的リスク層別化や臨床試験の適格性判定に用いる場合、臨床解釈を混乱させる可能性がある。この変動の大きさと規定因子を明らかにすることは、CPET 解釈の改善と標準化に不可欠である。
研究デザインと方法
Abbaspour Kaboudan らは、職業上の受動喫煙曝露による健康影響を検討する目的で以前に収集された、非喫煙の客室乗務員332例（平均年齢56±12歳、女性86%、平均 BMI 24±4 kg/m2）の CPET データを用いて事後解析を行った。本研究では、各参加者について、よく知られた7つの予測方程式——Fitness Registry and the Importance of Exercise National Database（FRIEND）、Wasserman、Hansen-Wasserman、Study of Health in Pomerania（SHIP）、Jones、Bruce、Cooper-Storer——を用いて percent-predicted VO2 peak を算出した。運動遂行能力低下は、percent-predicted VO2 peak が80%未満と定義された。方程式間の分類一致度は Cohen のカッパ（κ）係数で評価した。各予測方程式による分類と、参加者自己申告の呼吸困難（modified Medical Research Council［mMRC］スコア≧1）との関連は、識別能を評価するため C-statistics を用いて検討した。また、方程式を変更した際の percent-predicted VO2 peak の個人内変化量（「再計算量」）を定量化し、さらに多変量回帰分析により、この変動に関与する人口統計学的・身体計測学的予測因子を同定した。
主な結果
解析の結果、使用する予測方程式によって平均 percent-predicted VO2 peak には大きな変動が認められ、およそ83%から113%の範囲であった。これに伴い、運動遂行能力低下（<80% predicted）の有病率も大きく異なり、方程式によって参加者の7%から51%まで幅があった。分類の一致度は広範に分布し、わずかな一致からかなりの一致まで認められたが（κ 0.10～0.79）、最大でも中等度の一致にとどまった。
個人レベルでは、方程式を変更して percent-predicted VO2 peak を再計算すると、値が -93% から +84% まで変化しうることが示された。その結果、6.6%から45.5%の参加者で、運動遂行能力の分類が双方向に変更された。これは、多数の個人が異なるカテゴリーに分類されうることを示しており、臨床上の直接的影響は大きい。
多変量モデルでは、再計算量に最も強く関連した因子は body mass index（BMI）であり、次いで年齢、性別であった。これは、これらの人口統計学的・身体計測学的変数が予測方程式内でどのように扱われているかが、不一致の主因であることを示唆する。自己申告による呼吸困難に対する予測方程式の識別精度は中等度であり、曲線下面積（area under the curve, AUC）は0.56～0.71で、SHIP 方程式が最良であった。それでも、患者中心アウトカムとの関連という観点では、予測方程式全体の能力は限定的であった。
専門的コメント
本研究は、現在の CPET 解釈基準における重要な限界を浮き彫りにしている。予測される VO2 peak 値とそれに基づく遂行能力分類の大きな変動は、単一の固定的な基準方程式に依拠することの難しさを示している。BMI、年齢、性別が変動の規定因子として強く関与していたことは、運動能力に対する既知の影響と整合する一方、これらの変数が予測モデルに取り込まれる方法の不均一性も反映している。
中等度の κ 値は、方程式間の一致が中等度であることを示すが、特に介入判断の閾値として用いられる場合には、臨床意思決定における信頼性への懸念を残す。予測 VO2 と呼吸困難との対応が限定的であったことも、これらの方程式を単独で用いることの臨床的妥当性に疑問を投げかける。
本研究の限界として、比較的均質なサンプル（女性が大多数で、非喫煙者が主体）であったため一般化可能性に影響する可能性がある点が挙げられる。ただし、この集団は産業保健の文脈では重要である。さらに、人種や慢性併存疾患など、他の潜在的交絡因子は評価されていない。
これらの所見は、主要な生理学的共変量をより適切に取り込む、改善された集団特異的または個別化された基準方程式の開発を求める既存文献と一致する。今後のアプローチとしては、複雑な相互作用を考慮するため、大規模かつ異質なデータセットで学習させた machine learning アルゴリズムの導入が考えられる。
結論
Abbaspour Kaboudan らの研究は、用いる CPET 予測方程式によって運動遂行能力の分類に有意な不一致が生じることを示した。不一致は主として、人口統計学的・身体計測学的因子、特に BMI、ならびに年齢と性別のモデリング差に起因していた。この結果、双方向の大きな再分類が生じ、臨床意思決定や研究結果に影響を及ぼしうる。呼吸困難などの患者中心症状との相関が中等度にとどまることも、現在の予測アプローチの限界を一層強調している。
臨床医および研究者は、異なる方程式から得られた percent-predicted VO2 peak の解釈に際し、これらの違いを認識し、慎重に判断すべきである。生理学的変動をより適切にモデル化し、CPET 解釈の臨床的有用性を高める改良された予測基準が明確に求められている。より頑健な基準方程式が確立されるまでは、文脈を踏まえた解釈と複数因子の考慮が不可欠である。
資金提供および試験登録
本二次解析については、特定の資金提供元または臨床試験登録は示されていない。
参考文献
1. Abbaspour Kaboudan F, Zeng S, Abrham Y, Roman J, Butner K, Merati M, Arjomandi M. Determinants of Reclassification of Exercise Performance across Cardiopulmonary Exercise Testing Prediction Equations. Med Sci Sports Exerc. 2026 Jul;58(11):2570-2580. PMID: 42492489.
2. Wasserman K, Hansen JE, Sue DY, Stringer WW, Whipp BJ. Principles of Exercise Testing and Interpretation: Including Pathophysiology and Clinical Applications. 5th ed. Lippincott Williams & Wilkins; 2012.
3. Koch B, et al. The importance of reference values and predictive models for cardiorespiratory fitness assessment in clinical practice. Eur Respir J. 2020;55(4):1902525.
4. Arjomandi M, et al. Long-term consequences of secondhand tobacco smoke exposure on respiratory health: insights from cardiopulmonary exercise testing. Pulm Med. 2024;2024:ArticleID 105328.
5. Crouter SE, et al. Machine learning methods improve prediction of maximal oxygen uptake compared to traditional models. Med Sci Sports Exerc. 2019;51(2):292-299.
これらの参考文献は、議論した研究結果の解釈を支える文脈および方法論的背景を提供する。
