フェノタイプによる精密医療：アウトカムに基づく抗うつ薬処方
抄録 研究目的： 本論文は、観察データにおいて薬剤の比較有効性をいかに検討できるかを示すものである。このようなデータにおいては、抗うつ薬の効果が患者の疾病歴・既往薬・人口統計学的特性と交絡している。本論文では、観察データをバランス化することによって交絡を除去する手法を示す。
対象集団： 国立精神保健研究所（NIMH）のSTAR*Dデータベースを使用した。データは全国41の臨床施設（専門医療機関および一般内科医療機関の双方を含む）において、4,041名の患者から7年間にわたり収集された。
主要所見： 対象となった抗うつ薬それぞれについて因果モデルを構築した。各抗うつ薬のマルコフ毛布（Markov Blanket）には、ベースラインで測定された33の共変量のうち、それぞれ0、6、2、2、3個が含まれており、提案された手順が層別化すべき共変量の数を根本的に削減できることが示された。これら5つの因果モデルは、患者の病歴に基づいて抗うつ薬を推奨するための意思決定補助ツールを構成する。
結論： 観察データにおいて、抗うつ薬のPMB（Parents in Markov Blanket）を用いた複数の因果モデルを構築することは可能である。
政策・実践への示唆： 提供された情報は、患者への推奨内容を根本的に変えうる。例えば、神経疾患とPTSDを合併する患者に対して、5つの因果モデルが推定した各抗うつ薬の奏効率は、(a) 29.36%、(b) 31.90%、(c) 36.58%、(d) 41.81%、(e) 61.18%であった。神経疾患とPTSDを合併する患者においては、他の抗うつ薬よりもヴェンラファキシンが明らかに有益であることが示された。
序論 うつ病患者の大多数——60%以上——は、最初に処方された抗うつ薬から恩恵を受けることができない。この領域を観察してきた論者たちは、「抗うつ薬に求められる基準はあまりにも低く設定されすぎている」と嘆いてきた。米国人の11%が抗うつ薬を服用していることを踏まえると、2,500万人以上が、自分には効果のない最初の抗うつ薬を服用したことになる。症状が治療されないまま放置され、患者は自殺のリスクにさらされ続け、不必要な薬剤に貴重なリソースが浪費されている。本論文は、抗うつ薬の処方を改善するための意思決定補助ツールを開発・公開することを目的とする。
患者のフェノタイプが抗うつ薬への反応に影響することは、すでに示されている。異なる種類のうつ病には、異なる抗うつ薬が必要である。現在市場には24種類以上の抗うつ薬があり、その多くは異なる用量で処方され、他の薬剤と併用されるものもある。このような利用パターンの複雑さが、抗うつ薬の選択をいっそう困難にしており、意思決定補助ツールの必要性を高めている。
研究者たちは遺伝子プロファイリングによって抗うつ薬の精度を向上させようと試みてきたが、結果はまちまちであった。本研究は、抗うつ薬への反応を予測するうえでの病歴の活用に焦点を当てる。
病歴に焦点を当てることは妥当である。なぜなら、異なる疾患には異なる抗うつ薬が必要であるという文献は膨大に存在するからである。抗うつ薬の有効性が併存疾患によって影響されることもまた、数多くの研究によって示されている。
方法 データの出典： NIHが支援するSTAR*Dデータベースを使用した。データは、専門医療機関および一般内科医療機関の双方を含む全国41施設において、4,041名の患者から7年間にわたり収集された。
対象となった抗うつ薬： STAR*D患者には以下の5つの抗うつ薬のいずれかが処方された：(a) ブプロピオン、(b) シタロプラム、(c) シタロプラムとブプロピオンの併用、(d) シタロプラムとブスピロンの併用、(e) ヴェンラファキシン。本研究では4段階の治療レベルが用いられ、各レベルにおける治療は最長14週間継続された。
抗うつ薬への反応に関する共変量： 31の患者状態が共変量として使用された。
アウトカム： アウトカムは症状寛解であり、抗うつ薬使用後1年以内にハミルトンうつ病評価尺度（Hamilton Depression Index）で測定されたうつ症状の50%以上の減少として定義された。
因果効果の分析方法： STAR*Dデータを観察データとして分析した。本研究の主要アウトカムは12ヶ月寛解（12MR）であった。独立変数はうつ病との33の併存疾患であり、治療変数は上位5種類の処方抗うつ薬であった。アウトカム変数（12MR）は、患者が研究の12ヶ月追跡プログラムに登録されていることを示す指標であった。
特徴量削減の方法： 抗うつ薬の効果は多くの共変量と交絡している。本研究の因果モデリングアプローチには層別化が必要であるが、大量の変数を層別化することは現実的でない。そこで分析の予備的段階として、層別化が可能な水準まで共変量の数を削減した。特徴量削減には、Pearlによって初めて確立されたPMB（Parents in Markov Blanket）手法を用いた。ある抗うつ薬のマルコフ毛布とは、その抗うつ薬を他のすべての共変量から方向的に分離する共変量の集合である。マルコフ毛布内の親変数（Parents within the Markov Blanket）とは、抗うつ薬の投与に先行する共変量を指す。
Pearlは、PMB共変量の層別化を、アウトカム（薬剤への反応）から治療変数（抗うつ薬の使用）へのバックドアパスを遮断することと表現している。最終ステップとして、SCB（Stratified Covariate Balancing：層別共変量バランシング）を用いて抗うつ薬の因果効果を評価した。
因果モデリングの方法： 各抗うつ薬とPMBに含まれる変数の集合について、SCBを繰り返し適用することで、PMBの各変数と抗うつ薬がうつ症状に与える寄与を評価した。SCBは、抗うつ薬とPMB変数の因果効果を評価するために独自に開発した手法である。
結果 当初の4,041名の参加者のうち、2,876名の「評価可能な」患者がレベル1の結果に含まれた。レベル2の結果にはレベル1で症状寛解に至らなかった1,439名が含まれ、レベル3には377名、レベル4には142名が含まれた。各レベルにおいて、患者には薬剤または薬剤の組み合わせと治療が処方された。
5種類の抗うつ薬の組み合わせの有効性を評価した。STAR*Dデータには、抗うつ薬の処方に先行する33の変数が存在した。各抗うつ薬について、異なる変数の集合——しかも33変数を大幅に下回る数——が層別化された。
考察 薬剤の比較有効性の研究は、その性質上、実際の環境において（患者の併存疾患に制限を課すことの多いランダム化を行わずに）検証されるべき実践的問いである。これには、電子健康記録内の既存の観察データを用いた抗うつ薬の比較有効性の評価が必要となる。幸いなことに、そのようなデータはますます利用可能になっている。
構築されたモデルに基づけば、神経疾患とPTSDを合併しヴェンラファキシンを使用する患者では、症状寛解の確率が61.18%となる。これに対し、シタロプラムとブスピロンの併用、シタロプラムとブプロピオンの併用、シタロプラム単独、ブプロピオン単独を使用した場合の寛解率は、それぞれ41.81%、36.58%、31.90%、29.36%となる。神経疾患とPTSDを合併する患者においては、ヴェンラファキシンが他の抗うつ薬よりも明らかに有益であることが示された。
本論文は、観察データにおける抗うつ薬の比較有効性分析の手順を示した。抗うつ薬の治療反応に対する因果的（交絡のない）モデルを繰り返し構築することができた。また、抗うつ薬のマルコフ毛布に含まれる変数を層別化することで、患者の全ての併存疾患の影響を除去することができた。抗うつ薬のPMBに含まれる変数の小さなサブセットを用いることで、治療反応を予測するモデルを構築することができた。さらに、これらのモデルは特定の患者に対して異なる予測を示しており、患者の疾病歴を考慮に入れることの重要性が強調された。一部の患者では一方の薬剤が、他の患者では別の薬剤が好ましいという結果となった。
マルコフブランケットとは何か――平易な解説
まず直感的なイメージから
ある人物Aについて考えるとき、「Aのことを完全に理解するために必要な周囲の人間関係」を想像してほしい。
Aの行動を予測したいとき、世界中の全員を調べる必要はない。Aの直接の家族、上司、親友――そういった直接つながっている人々さえ把握すれば、それ以外の人間は無視しても予測精度が落ちない。
この「必要十分な周囲の集合」がマルコフブランケットの直感的な意味である。
確率・統計の言葉で言い換えると
マルコフブランケットとは、
ある変数Xに対して、「Xの毛布の中の変数たちさえ知っていれば、それ以外の変数はXと統計的に無関係になる」という変数の集合
である。
つまり、毛布の外の変数は、毛布の中の変数を通じてしかXに影響を与えられない。毛布が外界とXの間を遮断する。
この論文での具体的な意味
この論文では、次のような問いを立てている。
「ある抗うつ薬（例：ヴェンラファキシン）が効くかどうかを予測するとき、33ある共変量のうち、本当に考慮すべきものはどれか？」
33変数すべてを層別化することは計算上・統計上の現実として困難である。そこでマルコフブランケットを使い、「この薬の効果に真に関係している変数だけ」を選び出す。
ヴェンラファキシンのマルコフブランケットには33変数中3個しか含まれなかった、という結果はそういう意味である。
「方向的に分離する」という表現の意味
この論文はPearlの**有向グラフ（DAG）**の枠組みを使っている。変数同士の関係に「方向」がある。
併存疾患A ──→ 抗うつ薬の選択 ──→ 治療反応
このような因果の流れ（矢印）を持つグラフの中で、マルコフブランケットはバックドアパスを遮断する役割を果たす。
バックドアパスとは何か。たとえば、
重症度が高い → ヴェンラファキシンが選ばれやすい
重症度が高い → 治療反応が悪い
という関係があると、「ヴェンラファキシンを使った患者の治療反応が悪い」という見かけ上の相関が生じてしまう。これは薬のせいではなく、重症度という第三の変数のせいである。これが交絡であり、バックドアパスである。
マルコフブランケット内の変数（ここでは「重症度」に相当するもの）で層別化することで、このバックドアパスが遮断され、薬剤本来の効果だけが取り出せる。
「親変数（Parents in Markov Blanket）」の意味
マルコフブランケット全体には、原理的には次の3種類の変数が含まれうる。
| 種類 | 意味 |
|---|---|
| 親変数（Parents） | その変数の原因となるもの＝時間的に先行するもの |
| 子変数（Children） | その変数の結果となるもの |
| 配偶者変数（Spouses） | 子変数を共有する変数 |
この論文では「抗うつ薬の投与に先行する共変量」、すなわち親変数だけを使っている。なぜなら、薬を処方した後に生じた変数は、処方判断の原因にはなりえないからである。因果の向きを正しく扱うための制約である。
まとめると
マルコフブランケットとは、ひと言で言えば、
「この変数さえ押さえれば、外の世界はすべて遮断できる、必要十分な変数の盾」
であり、この論文においては、
「33ある患者背景変数のうち、その抗うつ薬の効果を正しく評価するために層別化すべき、最小限の変数セット」
として機能している。これによって、計算上の現実的制約を守りながら、交絡のない因果推定が可能になった、というのがこの手法の核心である。
