2024-06-15 AIが拓くマルチモビディティ研究：統合的アプローチと個別化医療の実現に向けて

※本稿は、2024年に開催されたAI for Good Global Summit 2024での「AI for health: Applying AI to model and understand multimorbidity」というワークショップを要約したものです。

1. はじめに

1.1 マルチモビディティの定義と重要性

マルチモビディティは、一人の患者に2つ以上の急性または慢性の疾患状態が共存することと定義されます。これは、次のパンデミックとも言えるほど急速に増加している問題です。マルチモビディティは、低・中・高所得国を問わず、世界中で同様の影響を与えており、医療システムに大きな需要とコストをもたらしています。

マルチモビディティの発生メカニズムについては、現在良い概念がないため、既知のリスク因子がなく、予測や予防の方法もありません。最も重要なのは、マルチモビディティを治療する方法がないことです。

イングランドでの調査によると、2000年代初頭には人口の約15%が3つ以上の慢性疾患を同時に抱えており、30%が2つの慢性疾患を抱えていました。しかし、わずか15年後の2019年には、3つ以上の疾患を抱える人の割合が30%に、2つ以上の疾患を抱える人の割合が50%にまで増加しました。これは、わずか15年間でほぼ倍増するという劇的な発展を示しています。

マルチモビディティの増加の要因の一つは、年齢との強い関連性です。多くの国で人口の高齢化が進んでいることが、この問題をさらに深刻化させています。また、社会経済的地位の低い人々がマルチモビディティの影響をより強く受けることも明らかになっています。

1.2 AIを応用した健康研究の可能性

AIを健康分野に応用することで、マルチモビディティのモデリングと理解を進めることができる可能性があります。AIは、深層ニューラルネットワークやその他の機械学習モデルが学習したことを理解し、説明し、解釈することを可能にします。

特に健康分野では、大量のデータが利用可能であり、これらのデータとAIの組み合わせは、将来的に疾患をより良く理解し、予測を行い、複雑な疾患であるマルチモビディティについて学ぶことに役立つと考えられています。

AIの応用は、患者データからの有用な情報の抽出、疾患の予測、多臓器にわたる複雑な疾患の理解など、幅広い分野で期待されています。しかし、AIの応用にはデータの品質や解釈の課題もあり、これらの課題に取り組むことも重要です。

このように、マルチモビディティの理解と管理におけるAIの応用は、医療研究の重要な方向性の一つとなっています。複雑な疾患パターンの解析や個別化医療の実現に向けて、AIは強力なツールとなる可能性を秘めています。

2. マルチモビディティの現状と課題

2.1 マルチモビディティの増加傾向

マルチモビディティは、近年急速に増加しており、次のパンデミックとも呼べる状況になっています。この傾向は世界中で見られ、低所得国、中所得国、高所得国を問わず同様の影響を及ぼしています。

イングランドでの調査結果が、この増加傾向を明確に示しています。2000年代初頭には、人口の約15%が3つ以上の慢性疾患を同時に抱え、30%が2つの慢性疾患を有していました。しかし、わずか15年後の2019年には、この状況が劇的に変化しました。3つ以上の慢性疾患を抱える人の割合が30%に倍増し、2つ以上の慢性疾患を持つ人の割合も50%にまで上昇しました。つまり、15年という比較的短い期間で、マルチモビディティの発生率がほぼ倍増したことになります。

2.2 年齢、社会経済的地位との関連

マルチモビディティの発生には、年齢と社会経済的地位が強く関連していることが明らかになっています。

年齢との関連性は特に顕著です。年齢が上がるにつれて、一人の人間が抱える慢性疾患の数が劇的に増加する傾向が見られます。多くの国で進行中の人口の高齢化は、このマルチモビディティの増加傾向をさらに加速させる要因となっています。

社会経済的地位とマルチモビディティの関連性も重要です。低い社会経済的地位にある人々は、より高い割合でマルチモビディティを経験する傾向があります。例えば、社会経済的地位を示す指標（9、8、10など、高い数字がより低い社会経済的地位を表す）と、マルチモビディティの有病率を比較したデータでは、社会経済的地位が低いグループでマルチモビディティの有病率が明らかに高くなっています。

2.3 医療システムへの影響

マルチモビディティの増加は、医療システムに多大な影響を及ぼしています。主な影響として、以下の点が挙げられます：

1. 医療費の増大：マルチモビディティを有する患者は、より頻繁に医療サービスを利用し、より多くの医療資源を必要とします。
2. 医療の複雑化：複数の慢性疾患を同時に管理することは、医療提供者にとって大きな課題となっています。
3. 医療システムの再構築の必要性：従来の単一疾患に焦点を当てたアプローチでは、マルチモビディティに十分に対応できません。

これらの課題に対応するため、医療システムの再構築が必要となっています。包括的なケアモデルの開発、多職種連携の強化、患者中心のケアなど、新たなアプローチが求められています。

マルチモビディティは、その発生メカニズムについての理解が不十分であり、既知のリスク因子がなく、予測や予防の方法も確立されていません。さらに、マルチモビディティを効果的に治療する方法も現時点では存在しません。これらの課題に取り組むためには、更なる研究と新たなアプローチが必要となります。

3. 臓器間コミュニケーションとマルチモビディティ

3.1 臓器間シグナリングの概要

マルチモビディティの発生メカニズムを理解する上で、臓器間コミュニケーションの概念は非常に重要です。従来の見方では、異なる臓器の疾患は独立して発生し、偶然に同一患者に蓄積すると考えられてきました。しかし、最新の研究結果は、この見方が単純すぎることを示しています。

臓器は互いに孤立して機能しているのではなく、常に相互に通信しています。健康な体系では、この臓器間コミュニケーションが各臓器の健康状態を維持する恒常性を保っています。しかし、一つの臓器が傷害を受けたり、損傷したりすると、この臓器間プロセス、つまり恒常性が乱れ、調整不全に陥ります。その結果、他の臓器にも悪影響が及び、連鎖反応が引き起こされ、多くの異なる臓器系に影響を与え、マルチモビディティの発生を促進する可能性があります。

この臓器間コミュニケーションは、様々な方法で行われます。例えば、一つの臓器（送信者）から別の臓器（受信者）への信号伝達は、単純な経路だけでなく、複雑なプロセスを経ることがあります。信号は他の信号（ノイズ）によって妨害されたり、送信臓器から受信臓器への経路で中継によって変更されたりすることがあります。これらの信号の変化は、増幅や完全な変更の形を取ることがあります。

さらに、このプロセスは、年齢、性別、環境の使用など、様々な修飾因子によって常に修飾されています。また、通常はフィードバックメカニズムの影響も受けており、受信臓器が元の疾患臓器に信号を送り返すこともあります。

臓器間コミュニケーションに関与する信号は、非常に多様な性質を持っています。これらには以下のようなものが含まれます：

1. タンパク質（古典的ホルモンなど）
2. ペプチドまたは小さなアミノ酸鎖
3. 脂質
4. 代謝産物（ブドウ糖やグルタミン酸など）
5. 細胞の小さな部分（エクソソームなど）で、ゲノム情報やタンパク質を含み、他の細胞に輸送する
6. 毒素（細菌由来や自身の細胞由来）
7. 神経信号
8. 機械的信号（血圧や流れの変化など）

3.2 肺炎と心血管疾患の関連性の事例

臓器間コミュニケーションの具体的な例として、肺炎と心血管疾患の関連性が挙げられます。一見すると全く無関係に見える肺の感染症と心血管系の疾患が、実際には密接に関連していることが疫学的証拠により示されています。

肺炎は、単に肺に悪影響を与えるだけでなく、心血管系にも長期的な影響を及ぼします。驚くべきことに、肺炎を一度経験すると、その後10年間にわたって心血管系に悪影響が続くことが分かっています。具体的には、肺炎の罹患歴は、1日1箱の喫煙、高コレステロール血症、高血圧などと同程度の心血管系リスク因子となります。

さらに衝撃的なのは、肺炎の罹患歴と他の心血管リスク因子が組み合わさった場合のリスクの増大です。例えば、過去10年間に1回の肺炎エピソードがあり、さらに1つの心血管リスク因子がある場合、その後10年間で心血管イベント（心筋梗塞や脳卒中など）を経験するリスクは約60%に達します。さらに、1回の肺炲エピソードと2つの心血管リスク因子がある場合、そのリスクは約90%にまで上昇します。対照的に、肺炎の罹患歴がない場合のリスクは25〜30%程度です。

3.3 腎臓病と他の疾患との関連

肺炎と心血管疾患の関連性と同様に、腎臓病も他の多くの疾患と密接に関連していることが明らかになっています。特に、肺炎と慢性腎臓病（CKD）の関連性に関する研究結果は注目に値します。

イェール大学の人口全体を対象とした研究では、肺炎を経験した患者において、その後12年間にわたって慢性腎臓病の発生率が高くなることが示されました。また、スウェーデンの全国コホート研究でも、市中獲得肺炎（CAP）と呼ばれる一般的な肺炎を経験した患者で、慢性腎臓病の発生率が有意に増加することが確認されています。

重要なのは、この関連性が単純な因果関係ではないという点です。以下の要因を考慮しても、肺炎と慢性腎臓病の関連性は維持されました：

1. 肺炎の複数回の罹患：単回の肺炎でも慢性腎臓病のリスクは上昇します。
2. 既存の腎疾患：肺炎罹患時に既に腎疾患がある場合でも、新たな慢性腎臓病の発症リスクは上昇します。
3. 敗血症の有無：肺炎が全身性の細菌感染（敗血症）に進展しなくても、慢性腎臓病のリスクは上昇します。

これらの知見は、肺炎が何らかの形で腎臓に信号を送り、長期的な健康状態や疾患リスクに影響を与えていることを示唆しています。しかし、そのメカニズムは現在のところ完全には解明されていません。

これらの例は、臓器間コミュニケーションとマルチモビディティの複雑さを示しています。一見無関係に見える疾患が、実際には密接に関連し合っていることが明らかになっています。この理解は、マルチモビディティの発生メカニズムの解明や、効果的な予防・治療戦略の開発に重要な示唆を与えています。

4. AIを用いたマルチモビディティのモデリング

4.1 大規模健康データの活用

マルチモビディティを研究するには、すべての疾患を大規模に表現できるデータセットが必要です。このようなデータセットは主に医療システムから得られます。

英国では、National Health Service (NHS) が全人口に対して税金を財源とした無料の医療を提供しています。NHSの記録には国民全体の診断情報が含まれています。

診断情報は主に二つの場所で記録されています：

1. プライマリケア（一次医療）：一般開業医（GP）のデータベースに記録されます。
2. 病院エピソード：特定の状態で病院を受診した患者の記録で、Hospital Episode Statistics (HES) と呼ばれます。

これらのデータは研究目的で匿名化されて利用可能ですが、記録方法に違いがあります。一般開業医は過去にRead コードシステムを使用していましたが、病院ではICDコーディングシステムを使用しています。さらに、処置には別のコードが使用されています。

4.2 フェノミクスの重要性

フェノミクスは、変動的にコード化され、構造化された断片的なデータから、再現可能な疾患フェノタイプを開発、検証、共有する科学です。

フェノミクスの重要性を示す例として、UK Biobankのデータを使用したGWAS（ゲノムワイド関連解析）の結果を見てみましょう。

単一のICD-10コードを使用した心筋梗塞のGWASでは、6,000例のケースが特定され、いくつかのヒットが得られました。しかし、より広い冠状動脈性心疾患の定義を使用すると、ケース数は2倍になり、より多くのヒットが得られました。さらに、HDR UKのフェノタイプライブラリの定義を使用すると、より多くのケースが特定され、さらに多くのヒットが得られました。

このように、疾患をどのように定義するかは非常に重要です。フェノミクスは、健康記録データを使用する際に重要な役割を果たします。

4.3 UK Biobankを用いた研究事例

UK Biobankのデータを用いた具体的な研究事例として、Valerie Fanらが行った研究が挙げられます。彼らは、Clinical Practice Research Datalink (CPRD)から得られた約400万人のプライマリケアデータを使用しました。このデータセットは、NHS Digitalを通じて Hospital Episode Statistics（HES）や死亡率データとリンクすることができます。

この研究では、308の身体的・精神的健康状態についてフェノタイピングを行い、400万人のデータを分析しました。これにより、生涯のさまざまな段階における異なる疾患の有病率を調査することが可能になりました。

さらに、この大規模データを用いて、加齢関連疾患を定義する試みも行われました。308の疾患それぞれについて年齢別発生率を生成し、加齢関連疾患のパターンを特定しました。例えば、加齢関連黄斑変性症は明確な加齢関連疾患のパターンを示し、高齢になってから発生率が上昇し始めます。一方、高血圧は同じく加齢関連ですが、より早い年齢から発生率の上昇が見られます。これらと対照的に、虫垂炎や抑うつ症は加齢関連ではない異なるパターンを示しました。

このような大規模健康データの活用とフェノミクスの応用により、マルチモビディティの複雑なパターンをより詳細に理解し、モデル化することが可能になっています。AIを用いたこれらのデータの解析は、個々の疾患の関連性や、複数の疾患が同時に発生するメカニズムの解明に大きく貢献することが期待されています。

5. 遺伝学的アプローチによるマルチモビディティの解明

5.1 ゲノムワイド関連解析（GWAS）の活用

マルチモビディティの複雑なメカニズムを解明するうえで、遺伝学的アプローチ、特にゲノムワイド関連解析（GWAS）の活用が重要な役割を果たしています。GWASは、疾患の原因を理解する上で非常に重要です。疾患の原因を知るためには、多くの場合、その疾患に関与するタンパク質を特定することが重要です。

GWASの利点として、以下の点が挙げられます：

1. 正しい生物種（ヒト）を用いて研究が行われる
2. すべてのターゲットを同時に検証できる
3. 低い偽陽性率と高い再現性を持つ

さらに、GWASは遺伝的変異が受精の時点でランダムに割り当てられるという特性を活かしています。これは、臨床試験における無作為化と類似しており、遺伝的研究を自然発生的な無作為化試験と見なすことができます。

5.2 薬剤開発への応用可能性

遺伝学的アプローチ、特にGWASの結果は、薬剤開発に大きな影響を与える可能性があります。特に、マルチモビディティの文脈では、複数の疾患に同時に影響を与える薬剤の開発や、既存薬の新たな適応の発見につながる可能性があります。

具体的な例として、インターロイキン6受容体（IL-6R）の遺伝的変異に関する研究が挙げられます。GWASの結果、IL-6Rの遺伝的変異が関節リウマチに対して保護的な効果を持つことが分かりました。実際、IL-6Rを標的とする薬剤（トシリズマブ）が関節リウマチの治療に使用されています。

さらに、同じIL-6Rの遺伝的変異が、心臓病、心房細動、腹部大動脈瘤などの他の疾患にも関連していることが分かりました。これは、IL-6Rを標的とする薬剤が、関節リウマチ以外の疾患にも効果を持つ可能性を示唆しています。

一方で、この遺伝的アプローチは安全性の評価にも役立ちます。例えば、IL-6R遺伝子の変異が喘息のリスク増加と関連していることも分かりました。これは、IL-6Rを標的とする薬剤が喘息のリスクを高める可能性があることを示唆しており、副作用の予測に役立ちます。

このような遺伝学的アプローチは、マルチモビディティの文脈で特に重要です。複数の疾患に同時に影響を与える遺伝的要因や分子メカニズムを特定することで、複数の疾患を同時にターゲットとする新しい治療法の開発につながる可能性があるからです。

6. 細胞レベルでのマルチモビディティ研究

6.1 オルガノイドモデルの活用

マルチモビディティの研究において、細胞レベルでの理解は非常に重要です。我々の研究グループは、特に大腸がんに焦点を当てて研究を行っています。大腸がんは腸上皮から発生しますが、この組織は非常に不均一で構造化された組織です。腸上皮には、幹細胞層があり、そこから細胞が分化し、10日ごとに完全に新しい細胞に入れ替わります。

現代の実験システムを用いることで、私たちはこの複雑な構造を模倣することができます。我々は「オルガノイド」と呼ばれるミニ腸を培養することができ、これらは実際の腸上皮と全く同じ構成を示します。正常な組織からオルガノイドを作ることもできますし、がん組織からオルガノイドを作ることもできます。がん組織から作られたオルガノイドは、腫瘍内の不均一性をよりよく反映しています。

これらのオルガノイドモデルを用いて、我々は非常に単純な質問を投げかけました。正常な上皮に、MAPキナーゼシグナル伝達経路を駆動する遺伝子（がん遺伝子）を加えたらどうなるでしょうか。この経路は、大腸がんの約70%で変異が見られる重要な経路です。

実験の結果、興味深い現象が観察されました。大腸がんの50%で見られる遺伝子（KRAS）を導入すると、すべての細胞でシグナル伝達経路が活性化され、オルガノイドの構造が完全に失われました。一方、経路のより上流にある別の遺伝子（BRAF）を導入した場合、多くの細胞が遺伝子を発現しているにもかかわらず、ごく一部の細胞でのみ経路が活性化され、構造も保たれていました。

この結果は、がん遺伝子の種類によって、その効果が大きく異なることを示しています。同じ経路を活性化する遺伝子であっても、それがどの段階で作用するかによって、細胞や組織への影響が全く異なるのです。

6.2 CRISPR-Cas9を用いた遺伝子編集実験

最近の2-3年間で、大規模な摂動実験を一度に行うことが可能になりました。これは主にゲノム編集技術であるCRISPR-Cas9の発展によるものです。CRISPR-Cas9を用いることで、非常に堅牢な方法で多数の異なる遺伝子を同時にノックアウトすることができます。

さらに、この技術を単一細胞解析法と組み合わせることで、数百または数千の遺伝子を同時にノックアウトし、それが分子ネットワークに与える影響を1つの実験で特定することができます。

6.3 単一細胞解析技術の応用

これらの複雑な系を理解するためには、単一細胞レベルでの解析が不可欠です。最近の5年間で、単一細胞レベルでの分子詳細を測定できる実験技術に革命が起きました。

我々は、複雑なオルガノイドシステムを単一細胞に分解し、各細胞の分子プロファイルを詳細に解析することができるようになりました。この方法により、異なる細胞集団を同定し、それぞれの集団が遺伝子操作や外部刺激にどのように応答するかを詳細に理解することができます。

これらの技術の組み合わせにより、マルチモビディティの分子メカニズムをより深く理解することが可能になっています。この分野は急速に発展しており、今後のマルチモビディティ研究に大きな影響を与えることが期待されています。

7. マルチオミクスデータの統合と解析

7.1 トランスクリプトミクス、プロテオミクス、メタボロミクスの統合

マルチモビディティの複雑なメカニズムを理解するためには、様々な生物学的階層からのデータを統合的に解析することが重要です。個々の患者から同時に、血液サンプル、尿サンプル、糞便サンプルなどから、数千の遺伝子、数千のタンパク質、数千の代謝物を一度に測定することが可能です。

マルチモビディティの文脈では、様々な構成要素が徐々に許容される恒常性の範囲から逸脱し始めます。これには代謝症候群の構成要素なども含まれます。例えば、血圧が上昇し始めるなどの変化が見られます。これらの要素が相互作用し始めると、体は補償しようとしますが、その過程で自身にダメージを与えてしまいます。

7.2 機械学習モデルの構築と解釈

マルチオミクスデータの解析には、高度な計算手法が必要です。機械学習モデルを構築する際には、いくつかの重要な考慮事項があります。

まず、測定されるものに影響を与える多くの異なる要因があることを認識する必要があります。特に重要なのは、異なる事象に独立して影響を与える傍観者的リスク因子の存在です。これらは相関関係として現れますが、実際には互いに増強し合っているわけではありません。

また、疾患の下流効果も考慮する必要があります。診断や治療の結果として現れる変化は、必ずしも改善のためにターゲットにできるものではありません。

7.3 MetaCardis研究プロジェクトの事例

MetaCardis研究プロジェクトは、心血管代謝性疾患の進行を理解するために行われた大規模な研究です。この研究では、糞便、尿、血液からの様々な深層表現型データを収集し、臨床的表現型や薬物記録も詳細に追跡しました。

研究から得られた重要な知見の一つは、研究対象となる患者が非常に多くの薬を服用しているという事実です。血液サンプルから得られるオミクスデータの変動の大部分は、この薬物療法に起因することがわかりました。

MetaCardis研究では、健康な人と心臓病患者を比較するだけでなく、心血管疾患と診断されていないが高リスクの人々も研究対象としました。興味深いことに、健康な対照群と心臓病患者を比較した場合と、健康な対照群と非心血管代謝性疾患患者を比較した場合で、最も強いシグナルが見られました。

研究では、時間経過に伴う変化も観察しました。例えば、断食ダイエットの試験を行い、免疫細胞と微生物叢を測定しました。その結果、腸内微生物叢に大規模な変化が見られ、特定の方向に変化し、その後元に戻るというパターンが観察されました。同時に、免疫細胞集団にも相関した変化が見られました。

このように、マルチオミクスデータの統合と解析は、マルチモビディティの複雑なメカニズムを理解する上で非常に重要な役割を果たしています。

8. 医薬品とマルチモビディティ

8.1 ポリファーマシーの課題

マルチモビディティの患者管理において、ポリファーマシー（複数の薬剤の使用）は重要な課題の一つです。ポリファーマシーは単に複数の薬剤を使用することを意味しますが、必ずしも悪いことではありません。複数の疾患を持つ患者には、複数の治療が必要になる可能性があるからです。

ポリファーマシーには以下のような分類があります：

1. 適切なポリファーマシー：患者が問題に適した全ての薬剤を受け取っている状態。
2. 不十分なポリファーマシー：患者が条件に適した薬剤を十分に受け取っていない状態。一部の治療選択肢が医師によって見過ごされている可能性があります。
3. 不適切なポリファーマシー：患者が問題に関連しない薬剤を受け取っている状態。これらの薬剤は不適切または無関係である可能性があります。
4. 治療上の衝突：患者が機械的に関連しない2つの状態を持っており、一方の状態に薬剤が適応されるが、もう一方の状態には禁忌である場合。例えば、心房細動と肝硬変を持つ患者の場合、抗凝固薬は心房細動には適応されますが、肝硬変による出血リスクを高める可能性があります。

また、患者が服用する薬剤が多ければ多いほど、有害薬物反応や薬物間相互作用のリスクが高くなります。これは特にマルチモビディティを持つ患者にとって重要な問題です。

8.2 薬物間相互作用の予測

マルチモビディティの患者における薬物間相互作用の予測は複雑な課題です。現在の医療記録では、薬剤と診断が別々に記録されることが多く、これが問題を複雑にしています。

この課題に対処するため、医療記録において薬剤と診断をマトリックス形式で記録することを提案しています。これにより、以下のような分析が可能になります：

1. 横方向（薬剤）の確認：各薬剤に対応する適切な疾患があるかを確認できます。
2. 縦方向（疾患）の確認：各疾患に対して適切な薬剤が全て使用されているかを確認できます。
3. 不一致の特定：薬剤と診断の間に不一致がないかを確認できます。

このようなアプローチは、個々の患者の記録レベルでも、大規模なデータセットレベルでも適用可能です。従来の医学教育では、医療診断や既往歴と薬物歴を別々に記録することが一般的でしたが、これは論理的ではありません。

このマトリックス形式の記録方法を採用することで、医療提供者は患者の全体的な健康状態と薬物療法を一目で把握できるようになります。これにより、潜在的な薬物間相互作用や不適切な処方をより早く特定し、予防することができます。

また、このアプローチはAIや機械学習技術と組み合わせることで、さらに強力なツールとなる可能性があります。例えば、大規模な患者データベースを用いて、特定の疾患の組み合わせや薬物療法のパターンに関連するリスクを予測するモデルを開発することができるかもしれません。

さらに、この方法は臨床研究にも応用できます。例えば、特定の薬物の組み合わせがどのような患者群で最も効果的であるか、あるいはどのような副作用が発生しやすいかを系統的に分析することが可能になります。

このように、薬剤と診断を関連付けて記録し分析することは、マルチモビディティを持つ患者の薬物療法を最適化し、安全性を向上させるための重要なステップとなります。今後、このアプローチを実際の臨床現場に導入し、その効果を検証していくことが重要になるでしょう。

9. ジェンダーと多様性の視点からのマルチモビディティ研究

9.1 性別による疾病負荷の違い

最近公開されたグローバルな疾病負荷データによると、高所得国における主要な疾病負荷は以下のようになっています：

1. 腰痛
2. うつ病
3. 頭痛
4. 不安障害
5. その他の筋骨格系疾患
6. 認知症とアルツハイマー病

これらの疾患は、人口10万人あたりの障害調整生命年（DALY）で測定されています。これらの疾患の多くは男女両方に影響を与えていますが、その程度や様相には違いが見られます。

例えば、アルツハイマー病や認知症は、女性により大きな負担をもたらしています。一方、男性はいくつかの疾患でより高い負担を示しています。

9.2 社会文化的要因の影響

疾病の発生や進行、そして健康行動には、生物学的な性差だけでなく、社会文化的に形成されるジェンダーの影響も大きく関わっています。これらの要因は、疾病の認識、ヘルプシーキング行動、医療システムの利用、そして治療反応にまで影響を及ぼします。

例えば、生活習慣、栄養習慣、運動習慣、認知されるストレスレベル、喫煙などの健康関連行動は、しばしばジェンダーによって大きく異なります。

男性は一般的に、健康管理やヘルプシーキング行動において消極的な傾向があります。その結果、男性は医療システムの利用が少なく、健康保険コストも低くなる傾向がありますが、一方で疾患が進行してから受診することが多く、その時点では病状がより深刻化している場合があります。

9.3 多様性を考慮したデータ収集の重要性

マルチモビディティ研究において、ジェンダーと多様性を適切に考慮したデータ収集は極めて重要です。現在、私たちの理解は、データギャップによって大きく制限されています。

多様性を考慮したデータ収集の重要性は以下の点にあります：

1. 代表性のある研究対象：多くの研究サンプルは、特定の国々からの参加者に偏っています。これは、グローバルな人口を代表していません。
2. 異質なサンプルのリクルート：多様な背景を持つ参加者を研究に含めることは、コストがかかり、倫理的・データセキュリティ上の課題が伴いますが、これは避けては通れません。
3. 異質性の評価：適切な方法で異質性を評価することが重要です。

現在、一部の多様性領域は日常的に評価されていますが、個人が特定のスペクトルの端に位置する場合（例：高齢者、多重罹患患者など）、その個人は研究から除外されることがあります。また、子供や青年、妊娠中の女性なども、多くの研究から除外される傾向にあります。

一部の多様性領域は日常的に評価されていますが、包括的な測定方法が不足しています。例えば、性別とジェンダーの概念は、多くの場合二元的にしか捉えられていません。

さらに、一部の多様性領域はほとんど評価されていません。例えば、介護責任の有無はめったに評価されませんが、これは患者が重要な治療やリハビリテーションサービスを拒否する理由となることがあります。

これらのデータギャップを埋めるために、多様性最小項目セット（Diversity Minimal Item Set）が開発されました。これは、ドイツで開発され、現在20カ国以上で使用されています。この項目セットは、以下の多様性領域を評価することを目的としています：

1. 性別とジェンダー
2. 年齢
3. 社会経済的地位
4. ケアワークと労働市場への統合
5. 精神的健康
6. 身体的健康と障害
7. 性的指向
8. 民族的・人種的アイデンティティ
9. 宗教と世界観

各項目には、「ここに記載されていないジェンダーアイデンティティ」や「答えたくない」などのオプションが含まれており、参加者のプライバシーと自己決定権を尊重しています。

このような包括的なデータ収集アプローチは、研究データの記述の改善、研究結果の一般化可能性の議論、データのプール化、パーソナライズされた革新的介入の開発などに活用できます。さらに、このアプローチは臨床実践、政策立案、組織開発にも応用可能です。

多様性を考慮したデータ収集は、マルチモビディティ研究において不可欠です。これにより、より包括的で効果的な予防・治療戦略を開発し、健康格差の縮小に貢献することができます。

10. 予防と介入戦略

10.1 ライフスタイル介入の効果

マルチモビディティの予防と管理において、ライフスタイル介入は非常に重要な役割を果たしています。米国退役軍人局の研究では、8つの健康行動が20年以上の寿命延長につながる可能性があることが示されています。

これらの8つの健康行動には以下が含まれます：

1. 良好な食生活
2. 禁煙
3. 十分な睡眠
4. 定期的な運動
5. ストレス管理
6. 過度の飲酒を避ける
7. オピオイド依存症からの解放
8. 良好な社会的関係の維持

特に注目すべきは、禁煙だけでも寿命を最大10年延ばす可能性があるという点です。

10.2 デジタルヘルス介入の事例（アルコール消費削減プログラム）

アルコール消費削減を目的としたデジタル介入プログラムの研究が行われました。この研究では、アルコール消費量が非常に高い参加者を対象に、パーソナライズされたデジタル介入を行いました。

研究開始時、参加者の平均アルコール消費量は週に24杯と非常に高いレベルでした。介入群には個別化されたテキストメッセージが送信され、対照群には週次の評価のみが行われました。

結果として、対照群でもアルコール消費量にわずかな減少が見られましたが、介入群ではより顕著な減少が観察されました。特に効果的だったのは、適応的に調整されたメッセージを送信する方法でした。

この方法は、完全に自動化されたランダム化比較試験で検証されました。この試験には7,123人の参加者が含まれ、その3分の2が女性でした。

10.3 若年層向けの喫煙防止プログラム

ベルリンの学校を対象とした研究では、32の学校が参加し、現在1,000人以上の学生が研究に参加しています。

パイロット研究の結果、以下のような傾向が見られました：

1. 男子の場合、「かっこよく見えたい」「仲間の一員になりたい」といった理由で喫煙の誘惑を感じる傾向がありました。
2. 女子の場合、ストレスが高まったときや「すべてを忘れたい」ときに喫煙の誘惑を感じる傾向がありました。

これらの知見を踏まえ、研究チームは性別に配慮した予防戦略を開発しました。プログラムの主な要素には以下が含まれています：

1. パーソナライズされた計画立案
2. ロールプレイング
3. 俳優の協力を得た自信トレーニング
4. 自己効力感の強化
5. 拒否スキルの向上

さらに、プログラムではオリンピックのボート選手やインフルエンサー、俳優などを起用しています。

しかし、このプログラムの実施には大きな課題もあります。プライバシー保護の観点から、14歳未満の生徒とデジタルツールを使って直接やり取りすることができないという制限があります。研究チームは、生徒たちが14歳になった時点でデジタルツールを活用したフォローアップを行うことを計画しています。

11. 今後の展望と課題

11.1 データ統合と標準化の必要性

マルチモビディティ研究において、データの統合と標準化は重要な課題です。現在、多くの研究データは断片化され、異なるフォーマットや基準で記録されているため、効果的な比較や分析が困難な状況にあります。

例えば、英国のNHS（National Health Service）のデータシステムでは、プライマリケアと病院のデータが異なる形式で記録されています。プライマリケアではRead コードシステムが使用される一方、病院ではICDコーディングシステムが使用されています。さらに、処置には別のコードが使用されています。

このような不一致は、包括的な患者データの分析を困難にしています。今後、データの統合と標準化を進めることで、より包括的で信頼性の高いデータセットを構築し、マルチモビディティの複雑なパターンをより正確に分析することが可能になると期待されます。

11.2 学際的アプローチの重要性

マルチモビディティの複雑な性質を考えると、この分野の研究には学際的なアプローチが不可欠です。異なる専門分野の知識と技術を統合することで、より包括的な理解と革新的な解決策の開発が可能になります。

例えば、オルガノイドモデルを用いた研究では、生物学者、医学研究者、データサイエンティストが協力して、複雑な細胞内プロセスを理解し、そのデータを解析しています。また、MetaCardis研究プロジェクトでは、臨床医、微生物学者、代謝学者、バイオインフォマティシャンなど、多様な専門家が協力して研究を進めています。

今後、さらに学際的なアプローチを促進することで、マルチモビディティ研究の分野でより革新的で効果的な解決策が生まれることが期待されます。

11.3 個別化予防・治療に向けた取り組み

マルチモビディティの複雑さと個人差を考慮すると、個別化された予防・治療アプローチの開発が重要な課題となります。個々の患者の遺伝的背景、生活環境、既存の健康状態などを考慮に入れた戦略が必要です。

例えば、アルコール消費削減プログラムの研究では、個人に適応的に調整されたメッセージを送信する方法が効果的であることが示されました。また、若年層向けの喫煙防止プログラムでは、性別による動機の違いを考慮したパーソナライズされた予防戦略が開発されています。

今後、このような個別化アプローチをさらに発展させることで、マルチモビディティを持つ患者に対してより効果的で効率的な医療を提供することが可能になると期待されます。

これらの課題に取り組むことで、複雑な健康問題に対するより効果的な解決策を見出し、患者のQOL向上と医療システムの持続可能性の確保につながることが期待されます。

12. 結論

マルチモビディティは、現代医学が直面する最も重要な課題の一つです。複数の慢性疾患が同一患者に共存する状態は、個人の健康と生活の質に大きな影響を与えるだけでなく、医療システム全体に多大な負担をもたらしています。本研究では、マルチモビディティの複雑な性質を理解し、効果的な予防・管理戦略を開発するための様々なアプローチを検討してきました。

マルチモビディティの増加傾向は明らかであり、特に高齢者や社会経済的地位の低い人々において顕著です。この傾向は、人口の高齢化や生活習慣の変化、医療技術の進歩による生存率の向上など、複数の要因が関与しています。

臓器間コミュニケーションの研究は、一見無関係に見える疾患間の関連性を明らかにし、マルチモビディティの発生メカニズムに新たな洞察を提供しています。肺炎と心血管疾患、腎臓病と他の疾患との関連など、具体的な事例を通じて、臓器間の複雑な相互作用が示されました。

AIと大規模健康データの活用は、マルチモビディティ研究に革新をもたらしています。フェノミクスの発展やUK Biobankなどの大規模コホート研究を通じて、より精密な疾患定義と予測モデルの構築が可能になっています。

遺伝学的アプローチ、特にゲノムワイド関連解析（GWAS）の活用は、マルチモビディティの遺伝的基盤の解明に貢献しています。これらの知見は、新たな治療標的の同定や薬剤開発に応用される可能性があります。

細胞レベルでの研究、特にオルガノイドモデルやCRISPR-Cas9を用いた遺伝子編集実験、単一細胞解析技術の応用は、マルチモビディティの分子メカニズムの理解を深めています。これらの技術は、より精密な疾患モデルの構築と個別化医療の実現に向けた重要な基盤を提供しています。

マルチオミクスデータの統合と解析は、マルチモビディティの複雑な病態を包括的に理解するための強力なツールとなっています。MetaCardis研究プロジェクトなどの事例を通じて、トランスクリプトミクス、プロテオミクス、メタボロミクスの統合的解析の重要性が示されました。

医薬品とマルチモビディティの関係においては、ポリファーマシーの課題や薬物間相互作用の予測が重要なテーマとなっています。個別化医療の実現に向けて、患者の複雑な病態を考慮した最適な薬物療法の選択が求められています。

ジェンダーと多様性の視点からのマルチモビディティ研究は、性別による疾病負荷の違いや社会文化的要因の影響を明らかにしています。多様性を考慮したデータ収集の重要性が強調され、より包括的な研究アプローチの必要性が示されました。

予防と介入戦略においては、ライフスタイル介入の効果が注目されています。デジタルヘルス介入の事例として、アルコール消費削減プログラムの成功が報告され、若年層向けの喫煙防止プログラムなど、年齢層に応じた介入戦略の重要性が示されました。

今後の展望と課題として、データ統合と標準化の必要性、学際的アプローチの重要性、個別化予防・治療に向けた取り組みが挙げられます。これらの課題に取り組むことで、マルチモビディティの理解と管理における大きな進展が期待されます。

結論として、マルチモビディティ研究は、医学、生物学、データサイエンス、社会科学など、多岐にわたる分野の知見を統合することで大きく発展しています。AIの応用や新たな実験技術の開発により、これまで見えなかった疾患間の関連性や個人差が明らかになりつつあります。今後は、これらの知見を臨床現場に還元し、個々の患者に最適化された予防・治療戦略を提供することが重要な課題となるでしょう。

マルチモビディティ研究の進展は、単に医学的知見を深めるだけでなく、医療システムの持続可能性や患者のQOL向上にも大きく貢献する可能性を秘めています。今後も、学際的な協力と技術革新を推進し、この複雑な健康課題に対する包括的な解決策を見出していくことが求められます。