研究タイトル
前置胎盤症候群のフェノタイピングにおける教師なし機械学習：前向きコホート研究
背景
前置子癇前症（Preeclampsia）は、妊娠に特異的な高血圧性疾患であり、母体と胎児の双方に重篤な影響を及ぼし得る。通常は、妊娠20週以降に新たに出現する高血圧を基本として、しばしば尿蛋白、肝機能障害や腎機能障害、血小板減少、あるいは胎盤機能障害を示唆する所見などの臓器障害を伴うことで定義される。前置子癇前症は標準的な診断基準により診断されるが、単一の均一な疾患ではない。妊娠早期に発症し、重度の胎盤機能障害および胎児発育不全を伴う症例がある一方、より後期に発症し、肥満や糖尿病など別の基礎リスク因子を有する症例もある。
このような臨床的多様性を背景に、前置子癇前症を、生物学的特徴や臨床転帰をより適切に反映する複数の明確なフェノタイプ、すなわちサブグループに分類できるかどうかが研究されてきた。そのようなフェノタイプを信頼性高く同定できれば、臨床医による早期のリスク予測、モニタリング方針の決定、個別化管理に役立つ可能性がある。
目的
本前向きコホート研究の目的は、教師なし機械学習を用いて、臨床的に意味のある前置子癇前症のフェノタイプを探索することであった。事前に設定した仮説を検証する従来の統計手法とは異なり、教師なし学習はデータの中から自律的にパターンを探索するため、類似した特徴を持つ患者の隠れた集団を発見するのに有用である。
研究デザインと実施施設
本研究は、スペイン・バルセロナの三次周産期医療センターであるBCNatalで実施された前向きコホート研究である。研究者らは、2013年8月から2024年4月までに前置子癇前症と診断された妊婦を追跡した。
合計482例の女性が組み入れられた。各患者について、研究者らは母体の人口統計学的情報、臨床データ、超音波所見、検査データ、分娩情報、および母体・新生児合併症を前向きに収集した。
方法
患者の特徴量を構築するために、本研究では前置子癇前症において臨床的に関連性の高い複数の変数を組み合わせた。これには、母体年齢、身長、体重、body mass index（BMI）、血圧、血管新生因子、尿中アルブミン/クレアチニン比、出生時在胎週数、出生体重パーセンタイルが含まれた。
血管新生因子とは、血管形成および胎盤機能に関与する物質である。前置子癇前症では、血管新生促進因子と血管新生抑制因子の不均衡がしばしば認められ、胎盤病変を反映し得る。尿中アルブミン/クレアチニン比は腎障害の指標であり、出生体重パーセンタイルは胎児発育不全または在胎週数不相当小児（small for gestational age）の同定に役立つ。
研究者らは、データの複雑性を低減しパターンを可視化するために、Uniform Manifold Approximation and Projection（UMAP）を用いた。その後、患者を類似したプロファイルごとに समूह化する機械学習手法であるk-meansクラスタリングを適用し、フェノタイプを同定した。
主要評価項目
主要評価項目は、各クラスタ間で母体および新生児の特徴、ならびに合併症発生率を比較することであった。これにより、データ駆動型の群が単なる統計学的パターンではなく、実際の臨床的意義を有するかどうかを評価した。
結果
前置子癇前症の3つのフェノタイプが同定された。
Cluster Aには223例（コホートの46.2%）が含まれた。この群は最も早い分娩を示し、平均出生時在胎週数は33.1 ± 3.3週であった。また、血管新生バランス異常が最も顕著で、64%に胎児発育不全を認め、母体および新生児の双方で最も高い合併症率を示した。母体合併症はこのクラスタの23%に発生し、新生児合併症は41%に認められた。
Cluster Bには147例（コホートの30.5%）が含まれた。分娩はCluster Aより遅く、平均出生時在胎週数は37.0 ± 2.1週であった。この群では中等度の血管新生バランス異常と中間的な出生体重パーセンタイルがみられ、平均パーセンタイルは15.5 ± 9.7であった。臨床的重症度は、他の2群の中間に位置すると考えられた。
Cluster Cには112例（コホートの23.2%）が含まれた。このフェノタイプは主として正期産症例からなり、平均出生時在胎週数は38.2 ± 1.5週であった。血管新生バランス異常は最も軽度で、出生体重パーセンタイルは最も高く、平均67.9 ± 27.3であった。この群では肥満が31%、糖尿病が15%に認められ、母体の代謝性リスク因子が比較的多かったにもかかわらず、合併症負荷は最も低く、母体合併症は4%、新生児合併症は9%であった。
解釈
同定された3つのフェノタイプは、前置子癇前症が単一の疾患ではなく、母体プロファイル、胎盤生物学、発症時期、周産期転帰の異なる一連の病態であることを示唆している。
Cluster Aは、より重症で早発性の胎盤フェノタイプに整合的である。強い血管新生バランス異常、胎児発育不全、より早い分娩の組み合わせは、顕著な胎盤機能障害を示唆する。この群では母体および新生児の罹患率が最も高く、高リスク群であることが裏付けられた。
Cluster Bは、中間的なフェノタイプを表している可能性がある。より遅い分娩と中等度の異常を特徴とし、最も重症な群と最も軽症な群の中間に位置することから、混在した臨床像、あるいは胎盤病変の比較的軽度な形態を反映している可能性がある。
Cluster Cは、比較的胎盤機能が保たれ、胎児発育も良好な晩発性フェノタイプに見える。しかし、肥満と糖尿病の頻度が高い点は注目され、このサブグループでは重度の早発性胎盤機能障害よりも、母体の代謝因子がより強く寄与している可能性を支持する。
臨床的意義
これらの所見が重要なのは、臨床現場では患者ごとのリスクが大きく異なるにもかかわらず、前置子癇前症が広い診断基準に基づいて管理されることが多いためである。より精緻なフェノタイピングにより、将来的には以下のようなケアの最適化が期待される。
早期リスク層別化：重症の早発型経過をたどる可能性が高い女性を同定することで、より厳密な監視と適時の紹介につながる可能性がある。
個別化モニタリング：異なるフェノタイプの患者には、異なるフォローアップ間隔、検査計画、超音波モニタリング、分娩時期の判断が適切となる可能性がある。
病態機序研究：前置子癇前症を生物学的に意味のある群に分けることで、胎盤機能障害、心血管リスク、代謝性要因に関する将来研究が改善される可能性がある。
治療開発：より良いフェノタイピングにより、恩恵を受ける可能性が高い女性に治療や予防戦略を的確に届けられる可能性がある。
強みと限界
本研究の主な強みは、前向きデザインである点であり、これにより欠測データが減少し、臨床変数を体系的に収集できた。機械学習の使用により、従来の解析では明らかになりにくいパターンの発見も可能となった。
一方で、重要な限界もある。本研究は単一の三次医療センターで実施されたため、他の集団や医療環境への一般化可能性が制限される可能性がある。用いられたクラスタリング手法はデータ駆動型であり、選択された変数に依存するため、異なるデータセットや異なる特徴量ではやや異なる群分けが生じ得る。さらに、同定されたフェノタイプは臨床的に妥当であるものの、日常診療で使用する前には独立したコホートによる外的妥当性の検証が必要である。
また、機械学習は臨床判断を置き換えるものではない。むしろ、より精緻な意思決定を支えるパターンを可視化することで、既存の知識を補完する役割を果たす。
結論
本前向きコホート研究では、教師なし機械学習を用いて、臨床的に意味のある3つの前置子癇前症フェノタイプが同定された。各クラスタは、分娩時在胎週数、血管新生バランス異常、胎児発育、母体リスク因子、合併症発生率において異なっていた。これらの結果は、前置子癇前症が異質な疾患であり、将来的にはフェノタイプに基づくリスク層別化が有用となる可能性を示している。
本知見を日常診療へ導入する前には、より大規模かつ多様な集団での外的妥当性検証が必要である。それでもなお、本研究は、前置子癇前症のより個別化された管理に向けた重要な一歩を示すものである。
参考文献
Houri O, Youssef L, Crovetto F, Borrell M, Crimella M, Ferrante MG, Novoa RH, Casas I, Encabo N, Benitez L, Larroya M, Peguero A, Meler E, Castro-Barquero S, Bijnens B, Figueras F, Gratacos E, Bernardino G, Crispi F. Phenotyping Preeclampsia Using Unsupervised Machine Learning: A Prospective Cohort Study. BJOG: An International Journal of Obstetrics and Gynaecology. 2026-05-14. PMID: 42136148.
URL: https://pubmed.ncbi.nlm.nih.gov/42136148/
