人工知能（AI）の登場は、希少疾患の疫学研究に革命をもたらしています。機械学習（ML）や深層学習（DL）を活用することで、研究者は膨大な文献から疫学トレンドや治療効果に関する重要なデータを効率的に抽出できるようになりました。
本態性振戦（ET）は、主に手に現れる不随意かつ律動的な震えが特徴の一般的な神経疾患です。頭部や声、その他の部位にも影響することがあります。ETの病態生理には小脳の異常が関与し、多くの症例で遺伝的要因や家族性のパターンが認められます。一般集団の約1%が罹患しているとされるこの運動障害ですが、診断されず、誤診され、十分に治療されない場合も多く、特に労働現場で課題となっています。
本記事では、ETを事例としてAIがこの疾患の理解と管理をどのように変革しうるかを示します。AIによる疾患データのキュレーションと解析の多面的な利点を探り、これらの技術が精度や速度を向上させるだけでなく、早期診断のためのパターン認識や患者特性に基づく重症度評価にも活用できる点を紹介します。ETの複雑性にAIが光を当て、最終的に患者の予後改善に寄与する可能性を掘り下げます。
希少疾患データキュレーションのための新しいAIツール
世界中で約4億人が希少疾患を抱えていると推定されています。クラリベイトの疫学データベースでは、疫学チームがこれら希少疾患の文献検索を行い、疫学データを抽出しています。しかし、多くの希少疾患に関するデータは依然として乏しく、その原因の一つが手作業によるキュレーションの限界です。手作業は時間がかかり、専門知識を要し、医療記録や研究論文など様々なフォーマットのデータを統合する必要があります。AIは、これらの課題をスケーラブルで効率的かつ信頼性の高い手法で克服します。AIツールは、複雑なデータからパターンや相関関係を素早く正確に特定し、一貫性を保ちながら研究を加速させます。自律型組織画像検索（SISH）やDLアルゴリズム、MLモデルなどのAIツールは、多様なソースからのデータ分析、パターン認識、希少疾患での診断精度向上に貢献しています。
2023年、W.Z. Kariampuzhaらは希少疾患文献から疫学データを自動抽出する「EpiPipeline4RD」を発表しました。このパイプラインは高い精度と再現率を示し、Orphanetの収集モデルに匹敵する成果を挙げています。疾患予測の精度向上、データ処理の迅速化、複雑な多次元データの管理など、多くの利点があります。この開発は、国連の希少疾患データ収集改善決議とも合致し、手作業依存の軽減を目指しています。事例として、レット症候群、好酸球性食道炎、古典型ホモシスチン尿症、GRACILE症候群、フェニルケトン尿症などが挙げられています。クラリベイトでは、製薬業界により包括的かつ正確な疫学研究成果とデータを提供するため、このようなツールの導入を検討しています。今後は、他の希少疾患データベースやプラットフォームとの連携によるデータアクセス性・有用性の向上が期待されます。
新プラットフォームのデータサイエンス
EpiPipeline4RDの主な構成要素は、新しい疫学データセットによる固有表現認識（NER）、疫学データ抽出に特化したDLフレームワーク（BioBERT）、抽出プロセスを自動化するウェブインターフェイスとRestful APIです。疫学研究の特定にはES_Predictを活用し、欧州バイオインフォマティクス研究所（EBI）および米国国立生物工学情報センター（NCBI）のAPIを利用してPubMed論文を取得、厳密なフィルタリングで誤検出を減らしています。実装全体やコード、補足データはGitHubに公開されており、微調整済みモデルとデータセットはHugging Faceからダウンロード可能です。
信頼性は？
希少疾患疫学における新AIツールの強みと限界について、David Lapidusは、Orphanetに比べ素早く有病率研究を特定・要約できる点を評価する一方、PubMedの抄録のみを分析するため、本文に記載された重要情報を取りこぼす可能性があり、データ解釈に影響すると指摘しています。実際、進行性骨化性線維異形成症（FOP）のゴールドスタディであるBaujat（2017）や自己免疫性肺胞タンパク症（aPAP）の有病率研究を拾えないなど、データの不整合・欠落も報告されています。
本態性振戦（ET）の理解
ETは日常生活やQOLに大きな影響を及ぼすにもかかわらず、見過ごされがちな疾患です。世界人口の約1%（2020年で約2,491万人）が罹患しており、米国では2015～2019年に診断・治療を受けた患者が100万人、2023年にはクラリベイトが有する保険請求データ上で41万例以上が診断されたと推定されています。
ETの有病率は年齢とともに増加し、20歳未満で0.04%、80歳以上では2.87%に達します。クラリベイトのIPDデータでは、女性、家族歴なし、安静時振戦の有無が病状悪化の予測因子とされています。
患者はしばしば併存疾患を抱え、職業面での最適なパフォーマンスが妨げられます。ET患者の約69%で本態性高血圧が、約50%で高脂血症が認められ、他にも非食道炎型GERD、2型糖尿病、不安障害などが多く報告されています。
機械学習（ML）による診断支援
従来、ETの診断は症状と神経学的検査に基づいて行われていますが、MLは患者データ解析を通じて潜在的なET症例を検出し、その後文献で検証することで診断のギャップを埋めることができます。最近の研究では、灰白質形態ネットワークとMLモデルを用いてET、ジストニア振戦、健常者を識別しました。16の形態的関連特徴と1つの全体トポロジー指標が識別に寄与し、Random Forest分類器が3群識別で平均精度78.7%を達成しています。
双子研究はETの遺伝的影響を示し、関連遺伝子座や遺伝子多型も報告されています。遺伝的素因と環境因子の相互作用がETの発症・進行に関与しており、MLによる早期診断に活用可能です。Open Life Sciences誌の研究では、MLアルゴリズムがmiRNAをスクリーニングし、ETのバイオマーカー候補を同定。APOE、SENP6、ZNF148の3遺伝子がET患者と健常者サンプルの識別に有効であることが示されました。
知能デバイスによる重症度評価
ETの重症度は従来、臨床観察やFahn–Tolosa–Marin Tremor Rating Scale（FTM-TRS）、統一パーキンソン病評価尺度（MDS-UPDRS）Part IIIなどで評価されますが、MLはより客観的かつ定量的な評価を可能にします。スマートフォンやスマートウォッチなどの技術を用いた振戦計測も進化しています。BMC Bioinformatics誌の研究では、ET患者の手首にスマートフォンを装着しセンサー情報を収集、ファジーモデルで解析することで平均絶対誤差を大幅に改善しました。Journal of Neurology誌の総説では、IMU、筋電計、映像機器、電子筆記板など様々なデバイスとMLモデルによるET特徴抽出が解説されています。
AIによる振戦理解の向上と今後の展望
AIの市場分析への導入も進んでおり、スマートデバイスによる振戦計測で評価精度が向上しています。AIは膨大なデータを迅速かつ正確に処理し、従来型分析で見落とされがちなパターンや傾向を抽出。市場の状況把握がより精緻化します。一方、希少疾患領域では高品質な大規模データセットが必要であること、ツールの複雑さ、専門知識の必要性、データプライバシーや悪用リスクなど、課題も存在します。それでもAIの疫学研究への貢献は明らかであり、今後も進化が期待されます。
クラリベイトの疫学データ活用とAIツールの慎重な統合
クラリベイトでは、学術論文やリアルワールドエビデンス（RWE）など多様なデータソースを横断的に活用し、Epi Coreデータセット、IPD、疫学インテリジェンスのRWDを組み合わせて疾患理解を深めています。例えばライム病のケーススタディでは、米国で高い発症率が確認され、抗生物質や抗炎症薬Dapsoneの治療が十分に活用されていない実態も明らかになりました。抗生物質治療を受けた患者の51%のみが1年後に改善を報告し、37%が変化なし、12%は悪化と回答。疾患ごとに異なるデータセットを補完的に用いることで、より完全な疫学像を描くことが可能です。
オンラインソースからの疫学データキュレーションにAIツール（EpiPipeline4RDなど）を導入する際は慎重を期しています。AIツールはPubMed抄録のみを分析するため、不整合が生じる場合もあります。こうしたAIツールはデータ収集の第一段階として有用ですが、後続の手作業または半自動プロセスによる補完が不可欠です。OrphanetやGARDと同様の運用方針です。
DRG Epidemiology Intelligenceについてさらに詳しく知りたい方は、こちらのページをご覧ください。
（執筆：Shyama Ghosh、寄稿：Swarali Tadwalkar）
Related insights
The latest news, technologies, and resources from our team.
