ハイライト
– 患者固有のデジタルツインを生成するAI駆動の意思決定支援（AI-DA）が、教育のみと比較して意思決定の質（K-DQI）を向上させ、意思決定の葛藤や長期的な後悔を軽減しました。
– AI-DA群では、6～9ヶ月後の膝関節特異的機能（KOOS JR）が大幅に改善し、治療の一貫性も高まりました。
– 共同意思決定の即時スコア、3ヶ月後の膝関節機能、患者または医師の満足度、診察時間、全膝関節置換術（TKA）の実施率には差がありませんでした。
背景
膝関節変形性関節症（OA）は世界中で慢性痛や障害の主要な原因であり、全膝関節置換術（TKA）の一般的な適応症です。TKAに関する意思決定は、患者の価値観に依存するため、潜在的な利点（痛みや機能の改善）とリスク（合併症、回復経過）のバランスが患者によって異なるのが一般的です。共同意思決定（SDM）と患者用意思決定支援（DAs）は、知識を向上させ、治療を患者の価値観に合わせ、意思決定の葛藤を軽減しますが、従来のDAsは個人化された動的な予後情報をほとんど含んでいません。
「デジタルツイン」という概念——異なる選択肢の結果をシミュレーションできる個々のデータ駆動型計算モデル——は、個別化されたリスク：ベネフィット予測を提供することで、SDMを補完する可能性があります。Jayakumarらによる試験では、患者報告アウトカム指標（PROMs）や臨床データからデジタルツインを作成するAI駆動の意思決定支援（AI-DA）が、膝OAでTKAを検討している患者の意思決定の質、患者報告アウトカム、およびSDM体験を改善するかどうかを評価しました。
研究デザイン
本研究は、2021年2月から2022年11月まで、米国の単一の大学付属整形外科クリニックで実施されたランダム化オープンラベル臨床試験（ClinicalTrials.gov NCT04805554）です。対象患者は膝OAがあり、TKAを検討していました。参加者は以下のいずれかに無作為に割り付けられました：
- 介入群：患者教育、好みの引き出し、デジタルツインモデルを用いたTKAの個人固有のベネフィット：リスク予測を組み込んだ完全なAI-DA（解析対象 n≈101）；または
- 対照群：患者教育のみ（解析対象 n≈100）。
主要評価項目：膝関節変形性関節症意思決定品質指標（K-DQI）。二次／プロセス評価項目：CollaboRATE SDM尺度、意思決定葛藤尺度（DCS）、意思決定後悔尺度（DRS）、3ヶ月と6ヶ月時点のKOOS JR（膝関節機能）、患者および医師の満足度、診察時間、治療の一貫性、TKA実施率。一部の評価項目については6～9ヶ月までのフォローアップが行われました。
主要な知見
本試験では201人の患者（介入群 101人；対照群 100人）が無作為化され解析されました。基線特性は類似していました（平均年齢 約64歳；女性比率 約54～60%）。
主要評価項目：意思決定の質
AI-DAを使用した患者のK-DQIによる意思決定の質（平均 [SD] 84.4 [25.2]）は、教育のみ群（71.4 [29.8]）より高く、P = 0.0011でした。これは、患者がオプション、リスク、および治療目標との整合性について理解を深めたことを示す統計的にも臨床上も意味のある改善です。
意思決定の葛藤と後悔
意思決定の葛藤（DCS）は、介入群（1.0 [3.1]）で対照群（3.3 [5.8]）より低く、P = 0.0029でした。6～9ヶ月時点での意思決定後悔（DRS）も、AI-DA群（18.2 [19.5]）で対照群（27.2 [24.2]）より低く、P = 0.0051でした。3ヶ月時点での後悔には統計的に有意な差はありませんでした。
膝関節機能と臨床的アウトカム
6～9ヶ月時点の膝関節特異的健康状態（KOOS JR）は、AI-DA群（69.5 [17.3]）で対照群（47.0 [18.4]）より優れており、P < 0.0001でした。この差は大きく、個人化された意思決定支援を使用した患者の中期的な患者報告アウトカムが改善したことを示唆しています。3ヶ月時点では、KOOS JRスコアは両群間で類似していました。
共同意思決定、満足度、診察時間、手術実施率
CollaboRATEスコア（SDMの簡易測定尺度）は両群間に差がなく、患者や医師の満足度、診察時間にも差はありませんでした。重要な点は、TKAの実施率が類似していたことで、AI-DAが手術利用を単純に増加または減少させるのではなく、意思決定の質とその後の機能的アウトカムを改善したことを示しています。治療の一貫性（患者の表明した好みに一致するケアを受けている患者の割合）は、介入群（91%）で対照群（76%）より高く、P = 0.0043でした。
効果サイズの解釈
K-DQIの改善と意思決定の葛藤や遅延後悔の軽減は、個人化された予後情報が患者の意思決定過程を強化したことを示しています。6～9ヶ月時点での大きなKOOS JRの差は、高品質で好みに一致した選択が、潜在的に中期的な臨床的利益をもたらす可能性があることを示唆しています。ただし、単施設試験からの因果関係を確定的に確立することはできず、メカニズムについてはさらなる検討が必要です。
専門家のコメントと文脈化
臨床的文脈：共同意思決定は、TKAのような好みに依存する意思決定における患者中心のケアの柱です。高品質なDAsは一貫して知識を向上させ、意思決定の葛藤を軽減します（Cochraneレビュー）。本研究は、AI駆動の個別化された予後モデリングをDAsワークフローに統合することで、デジタルツインの概念を実装し、臨床面談中に個人固有のアウトカム軌道を提供することを実現しています。
デジタルツインがどのように価値を追加するのか？
一般的なリスクとベネフィット情報は、患者の多様性を考慮していません。デジタルツインは、年齢、基線機能、併存疾患、過去のPROMs、その他の臨床変数を組み込むことで、その個体の予想されるアウトカムや合併症を推定することができます。理論的には、より関連性の高い予測は、患者の期待の正確さとケアの目標との整合性を向上させ、これらは患者報告アウトカムの改善と後悔の軽減につながると考えられています。
試験の強み
- ランダム化設計と実践的なクリニックベースの実装。
- 意思決定の質、葛藤、後悔、患者報告膝関節機能の検証済み尺度の使用。
- プロセス（意思決定の質、一貫性）と中期的アウトカム（KOOS JR）の両方の改善が示されました。
限界と一般化可能性
主要な限界には、単施設での実施とオープンラベル設計が含まれます。AIモデル、トレーニングデータ、外部有効性はここでは要約形式で完全に説明されておらず、多様な集団におけるモデル性能の独立検証が必要です。6～9ヶ月時点での予想外に大きなKOOS JRの差は慎重な解釈を必要とします。潜在的な説明には、（1）治療と患者の好みのより良いマッチング、（2）差異のある順守やエンゲージメント、（3）未測定の混雑因子が含まれます。多施設試験での再現と、より社会経済的・人種的に多様な集団での評価が必要です。
規制、倫理、実装上の考慮事項
AI予後モデルを臨床面談に組み込むことは、透明性、解釈可能性、モデルエラーの責任に関する問題を提起します。効果的な実装には、患者へのモデル不確実性の明確な説明、定期的なパフォーマンス監視、新しいデータの蓄積に伴う更新のパスウェイが必要です。また、個人化された予測を共有の議論に統合し、医師の判断を置き換えることなく、医師の教育も不可欠です。
臨床的意義と今後のステップ
本試験は、デジタルツイン予測を用いたAI強化型DAsが、TKAを検討している膝OA患者の意思決定の質と中期的な機能を有意に改善し、診療時間の増加や手術率の変化なしに、意思決定の葛藤や遅延後悔を軽減できる可能性を示唆しています。これらのツールを検討している医師や医療システムにとっての優先事項には、以下のことが含まれます：
- 設定や集団を超えた予測モデルの独立的な外部検証。
- 長期的なアウトカム、費用対効果、潜在的な意図しない影響（例えば、サブグループ間での不均等な性能）の評価。
- モデルの透明性、患者への不確実性のコミュニケーション、電子健康記録との統合に関する標準の開発。
結論
Jayakumarらによるランダム化試験は、患者固有のデジタルツインを生成するAI駆動の意思決定支援が、膝OAでTKAを検討している患者の意思決定の質を向上させ、意思決定の葛藤や遅延後悔を軽減し、6～9ヶ月後の膝関節機能を著しく改善することを示しています。これらの知見は、好みに依存する手術意思決定における個別化されたデータ駆動型意思決定支援のさらなる調査を支持しています。同時に、広範な検証、モデル性能の透明な報告、公平な利益を得るための慎重な実装の必要性も強調しています。
資金提供と試験登録
資金提供：医療研究品質局助成金（R21HS027037）。ClinicalTrials.gov登録：NCT04805554。
参考文献
1. Jayakumar P, Rathouz PJ, Lin E, Trutner Z, Uhler LM, Andrawis J, Koenig KM, Tsevat J, Bozic KJ. Shared decision making using digital twins in knee osteoarthritis care: a randomized clinical trial of an AI-enabled decision aid versus education alone on decision quality, physical function, and user experience. EClinicalMedicine. 2025 Oct 4;89:103545. doi: 10.1016/j.eclinm.2025.103545. PMID: 41112505; PMCID: PMC12528923.
2. Stacey D, Légaré F, Lewis K, Barry MJ, Bennett CL, Eden KB, Holmes-Rovner M, Llewellyn-Thomas H, Lyddiatt A, Thomson R, Trevena L. Decision aids for people facing health treatment or screening decisions. Cochrane Database Syst Rev. 2017 Apr 12;4(4):CD001431.
3. Elwyn G, Frosch D, Thomson R, Joseph-Williams N, Lloyd A, Kinnersley P, Cording E, Tomson D, Dodd C, Rollnick S, Edwards A. Shared decision making: a model for clinical practice. J Gen Intern Med. 2012 Oct;27(10):1361-1367.
4. Barry MJ, Edgman-Levitan S. Shared decision making — the pinnacle of patient-centered care. N Engl J Med. 2012 Mar 1;366(9):780-781.
5. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44-56.
記事サムネイル用AI画像プロンプト
診療所のデスクでタブレットを確認しながら、3D膝モデルとアウトカム確率グラフを表示している中年患者と医師の写真。患者は興味津々で、医師はタブレットを指さしています。温かみのある自然な診療所の照明。写真現実的で高精細、プロフェッショナルな医療環境。
