電子健康記録で心房細動を拾い上げる：リスク層別化スクリーニングの新戦略

はじめに

心房細動（Atrial Fibrillation, AF）は、持続性心不整脈の中で最も頻度の高い疾患であり、虚血性脳卒中リスクの上昇と強く関連している。AF の早期発見は極めて重要である。というのも、抗凝固療法により脳卒中リスクを有意に低減できるためである。しかし、AF は無症候性であることが多く、また発作性であることも少なくないため、日常的な検出は容易ではない。このため、AF の高リスク者を効率的に同定し、診断資源を重点的に配分するためのリスク指向型スクリーニング法への関心が高まっている。

背景と理論的根拠

年齢のみ、あるいは広範な集団基準のみを用いた AF スクリーニングでは、効率性および資源利用の面で限界が生じうる。電子健康記録（Electronic Health Records, EHR）と機械学習アルゴリズムを組み合わせることで、患者をより精密にリスク層別化でき、標的を絞ったスクリーニング戦略を強化できる可能性がある。短期間で AF を発症する可能性が高い患者を同定することにより、医療提供者は監視強化の優先対象を明確にできる。

FIND-AF 2.0 モデルの開発

研究者らは、英国、日本、イスラエル、カナダ、中国を含む複数国の大規模 EHR データを用いて、高度化した Random Forest ベースの機械学習モデルである FIND-AF 2.0 を開発した。本モデルは、EHR から容易に得られる単純な臨床変数――年齢、性別、10 の併存疾患――を用いて、6 か月以内の新規診断 AF リスクを予測する。この簡潔な入力項目により、多様な医療システムへの容易な統合が可能となる。

コホート間での検証

FIND-AF 2.0 は、これらの国際コホートで外部検証され、受信者動作特性曲線下面積（Area Under the Receiver Operating Characteristic Curve, AUROC）は地域により約 0.75 〜 0.84 と、高い予測精度を示した。本モデルは、検討された全対象集団において CHA2DS2-VASc や C2HEST など既存のリスクスコアを上回り、地理的差異や民族的差異にかかわらず頑健な適用可能性を示した。

前向き研究デザインと結果

既知の AF を有さず、かつ脳卒中リスクが高い 30 歳以上の参加者 1,923 名（男性は CHA2DS2-VASc ≥2、女性は ≥3）を対象とした前向き多施設共同研究では、FIND-AF 2.0 を用いて参加者を高リスク群と低リスク群に層別化した。参加者は 3 週間にわたり、携帯型心電図（ECG）を 1 日 4 回記録し、新規 AF の検出を行った。

AF の診断率はリスク群間で有意に異なり、高リスク群では 4.5%、低リスク群では 0.6% であった。オッズ比は 8.46 であり、FIND-AF 2.0 により抽出された対象では検出確率が著明に高いことが示された。新たに診断された AF 患者の大半（96.1%）は速やかに経口抗凝固療法を開始しており、本スクリーニング法の臨床的有用性が示唆された。

高リスク AF 患者における脳卒中リスク解析

フィンランド心房細動抗凝固療法（Finnish Anticoagulation in Atrial Fibrillation, FinACAF）レジストリのデータを用いて、本研究では、FIND-AF 2.0 により高リスクと判定されたものの抗凝固療法を受けていない患者における脳卒中リスクを追加評価した。虚血性脳卒中発症率は 100 患者年あたり 6 件であり、この集団における未診断または未治療の AF に伴う高い脳卒中リスクが再確認された。

臨床的意義

日常診療に FIND-AF 2.0 を導入すれば、追加の臨床評価を要さず、EHR データから直接、拡張可能かつ費用対効果の高いリスク層別化を実現できるため、AF スクリーニングを大きく変革しうる。これにより、AF の早期発見および脳卒中予防治療の標的導入が促進される可能性がある。

本モデルは構造が簡潔であり、かつ多様な医療システムで強固に検証されていることから、一般化可能性の高さが裏付けられている。スクリーニング資源を最も恩恵を受けやすい対象に集中させることで、医療システムは転帰を改善し、脳卒中関連の罹患および死亡という下流負担を軽減できる。

留意点と今後の方向性

有望ではあるものの、本モデルの性能は EHR データの品質および完全性に依存しており、これは医療機関によって差がある。こうしたアルゴリズムを臨床ワークフローへ組み込むには、適切なインフラ、医療従事者教育、および患者の関与が必要である。

今後の研究では、リスク指向型スクリーニング導入後の長期転帰、費用対効果分析、さらにウェアラブル機器や連続モニタリング技術との統合により、間欠的 ECG では見逃される発作性 AF エピソードを捕捉できるかを検討すべきである。

要約

EHR ベースの機械学習を用いる FIND-AF 2.0 は、心房細動（AF）の高リスク患者を効果的に同定し、脳卒中リスクが高い対象に対して標的を絞った ECG スクリーニングを可能にする。早期発見により、適時の抗凝固療法導入が促進され、脳卒中予防と患者転帰の改善につながる可能性がある。本アプローチは、AF 関連脳卒中に対する世界的公衆衛生戦略として、拡張可能かつ適応可能な方法を提示している。