研究背景
構造的心疾患（Structural Heart Disease, SHD）は、後天性弁膜異常や心筋機能障害を含み、高齢者における罹患率および死亡率の重要な要因である。早期かつ正確な検出は、適時の介入と転帰改善に不可欠である。従来、診断確定には心エコー検査が用いられるが、感度・特異度に優れる一方で、専用機器と訓練を受けた人員を要するため、地域社会での広範なスクリーニングには制約がある。
人工知能（AI）を用いた心電図解析（AI-ECG）は、標準心電図からSHDの特徴を同定できる有望で利用しやすい補助ツールとして注目されている。しかし、現在のAI-ECGモデルの多くは、比較的疾患有病率が高く、病態もより進行した病院ベースのコホートで開発・検証されてきた。疾患有病率が低く、病変も軽い地域在住集団におけるこれらのモデルの性能はなお不明である。診断精度に対する疾患スペクトラムと有病率の影響を理解することは、日常的な地域医療の場へ安全かつ有効にモデルを導入するうえで不可欠である。
研究デザイン
PREVUE-VALVE（Age and Sex-Specific PREValence of AcqUirEd VALVular Heart DiseasE）研究では、65～85歳の地域在住成人3,000人を前向きに登録し、自宅での安静時心電図と経胸壁心エコー検査を実施した。本研究の目的は、複数施設の病院ベースコホートで既に学習済みのAI-ECGアルゴリズムであるEchoNextが、この実世界の地域医療環境においてSHDを検出する性能を評価することだった。
適格基準を満たした参加者（n=2,402）を解析した。研究では、AI-ECGの診断精度を心エコー所見と比較し、receiver operating characteristic曲線下面積（AUC）などの識別能指標に着目した。propensity matching手法により、病院由来コホートと地域コホートの間に存在する疾患有病率および病態の差を調整した。サブグループ解析では、従来の心電図異常を有する者や健康状態が不良な者など、臨床的に重要な集団における性能を検討した。
主な結果
PREVUE-VALVE参加者におけるSHD有病率は、病院ベースコホートより著しく低く（8%対43%）、病態は軽度で、三尖弁逆流の中等度例が多く、収縮性心不全例が少ないという特徴的な表現型を示した。こうした集団差を反映して、AI-ECGモデルの性能は地域医療環境で有意に低下し、AUCは病院での83%［95%信頼区間（CI）：82%～83%］から、PREVUE-VALVEでは71%［95% CI：66%～76%］へ低下した。
propensity matchingにより有病率と症例構成を調整した後も、モデル性能の差は持続しており、疾患スペクトラムと臨床的文脈がAIの診断精度に極めて重要な影響を及ぼすことが示された。外部病院コホート全体では性能は一貫しており、これらの因子がアルゴリズム不安定性ではなく主要な規定因子であることが裏付けられた。
特筆すべきことに、PREVUE-VALVE内の高リスクサブグループ、例えば心電図異常を有する参加者（AUC 79%［95% CI：75%～83%］）や健康状態が損なわれている参加者（AUC 76%［95% CI：70%～82%］）では、診断精度が中等度に改善した。これは、対象を絞った高濃度集団へのAI-ECG適用が、より高い臨床的有用性をもたらす可能性を示唆している。
専門家による解説
PREVUE-VALVE研究は、AI主導の診断における重要な問題、すなわち疾患有病率と疾患スペクトラムがモデル性能に与える影響を浮き彫りにした。病院集団で学習されたAIアルゴリズムは、患者の病態がより軽度または早期で、全体としてのリスクが低い地域医療環境にそのまま適用すると、精度を過大評価する可能性がある。この現象は「spectrum effect」と呼ばれ、想定される使用集団に合わせた慎重な外部検証を必要とする。
これらの知見は診断検査評価の確立した原則と一致しており、AIモデル導入におけるspectrum biasのリスクを強調している。重要なのは、本研究が、AI-ECGは広範で無差別なスクリーニングよりも、心電図異常や臨床的所見が示唆的な個人に対するrule-in toolとして用いる場合に、より高い検出効果を示す可能性があるという実践的示唆を与えている点である。
限界として、PREVUE-VALVEが単一の地理的地域で実施されたこと、ならびに異なる人口統計学的背景や併存疾患プロファイルを有する他の地域集団への一般化に課題がある可能性が挙げられる。AI-ECGを地域の循環器診療経路へ最適に統合するためには、さらなる前向き研究と実世界実装研究が必要である。
結論
AIを活用した心電図解析は、構造的心疾患の検出に有望な非侵襲的手法である。しかし、本研究は、病院で学習されたモデルを有病率が低く病態の軽い地域環境へ移植した場合、精度が低下することを示した。スペクトラム効果と症例構成の違いは診断性能に大きく影響するため、想定対象集団で厳密に検証することが不可欠である。臨床医および医療システムは、地域スクリーニングへのAI-ECGの広範な導入に先立ち、これらの要因を考慮し、臨床的利益を最大化するためには文脈に応じた適用を重視すべきである。
資金提供およびClinicalTrials.gov
PREVUE-VALVE研究（NCT05357404）は、原著論文に記載された機関および助成金による支援のもとで実施された。抄録には直接的な資金提供の詳細は示されていない。
参考文献
1. Poterucha TJ, Hughes JW, Brener MI, et al. AI-ECG Detection of Structural Heart Disease in the Community Setting: Transportability and Spectrum Effects in the PREVUE-VALVE Study. J Am Coll Cardiol. 2026;88(7):752–764. PMID: 42615442.
2. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56.
3. Bossuyt PM, Cohen JF, Gatsonis CA. STARD 2015 guidelines for reporting diagnostic test accuracy studies: explanation and elaboration. BMJ Open. 2018;8(10):e021488.
4. Allen J, Rajpurkar P, Langlotz CP, et al. Deep learning in cardiology: promise and challenges. Nat Rev Cardiol. 2020;17(10):679–692.