疑問点 教師なし機械学習は、がん治療前に患者から報告された症状に基づいて、有害な転帰のリスクが高い進行がんの高齢者を特定できるか？
所見 706人の進行がんの高齢者を対象とした無作為化臨床試験の二次解析において、k-meansアルゴリズムにより、予定外の入院と死亡のリスク上昇と関連する、症状の重さ（低、中、高）によって特徴付けられる3つの患者クラスタが特定された。
意味 これらの知見は、入院や死亡のリスクが高い高齢者を特定する際に臨床医を支援する可能性のあるリスク層別化ツールの開発を導くために、機械学習を使用することができることを示唆している。

【序文】 治療前の症状の重症度が高い進行がんの高齢者は、がん治療中に有害事象を経験することが多い。教師なし機械学習は、患者を異なるリスク群に層別化するのに役立つかもしれない。
【目的】 ベースラインの患者報告による症状の重症度から特定されるクラスタが、有害な転帰と関連するかどうかを評価すること。
【デザイン、設定、被験者】 このGeriatric Assessment Intervention for Reducing Toxicity in Older Patients With Advanced Cancer (GAP70+) Trial（2014-2019）の二次解析では、新しいがん治療レジメン開始前にNational Cancer Institute Patient-Reported Outcomes version of the Common Terminology Criteria for Adverse Events (PRO-CTCAE) を完了した患者で、米国内の地域腫瘍学サイトでケアを受けた。教師なし機械学習アルゴリズム（ユークリッド距離によるk-means）により、ベースラインの症状重症度の類似性に基づいて患者をクラスタリングした。クラスタリング変数には、24のPRO-CTCAE症状の重症度項目（範囲：0～4、なし、軽度、中度、重度、非常に重度に対応）が含まれた。重症度スコアは、24項目の合計として算出された（範囲：0～96）。次に、クラスターが予定外の入院、死亡、毒性作用と関連しているかどうかを検討した。分析は、2022年1月と2月に実施された。
【暴露】 症状の重篤度
【主要アウトカムと測定】 3ヶ月間の予定外の入院（主要）、1年間の全死亡、3ヶ月間の臨床医評価グレード3～5の毒性作用のいずれか。
【結果】 登録された718人の患者のうち、706人がベースラインのPRO-CTCAEを完了し、対象となった（平均［SD］年齢、77.2［5.5］歳、401［56.8］人の男性患者、51［7.2］人の黒人患者と619［87.8］人の非ヒスパニック白人患者、245［34.7］人の消化器がん、175［24.8］人の肺がん、障害老人評価ドメインの平均［SD］、4.5［1.6］）。アルゴリズムは、310人（43.9％）、295人（41.8％）、101人（14.3％）を低、中、高重度のクラスターに分類した（クラスター内の平均［SD］重症度スコア：低、6.3 [3.4]; 中, 16.6 [4.3]; 高, 29.8 [7.8]; P < .001). 社会人口統計学的変数，臨床的要因，研究グループ，診療所を統制すると，低重度クラスターの患者と比較して，中重度クラスターの患者は入院を経験する可能性が高かった（リスク比，1.36；95％CI，1.01-1.84；P = .046）．中程度および高重度のクラスターは、死亡リスクの高さと関連していたが（中程度：ハザード比、1.31、95％CI、1.01-1.69、P = .04、高：ハザード比、2.00、95％CI、1.43-2.78、P < .001）、有害作用ではなかった。
【結論】 この研究では、教師なし機械学習により、患者が明確な症状重症度クラスターに分割された。治療前の重症度が高い患者は、入院と死亡を経験する可能性が高かった。
臨床試験登録 ClinicalTrials.gov Identifier. NCT02054741

このテキストは、高齢者の進行がん患者の治療前の自己申告症状の重症度を含む機械学習ツールについて述べています。
このツールは、治療後の入院や死亡のリスクが高い患者のグループを特定することができました。
さらに、人間の知識や介入なしで動作する「教師なし」ツールは、中程度の重症患者が低重症患者と比較して入院リスクが36％高いことが分かりました。
また、中高度の重症患者は、低重症患者と比較して死亡リスクが有意に高かったです。

研究者は、教師なし機械学習方法を使って、患者が治療前の自己申告症状に基づいて有害な結果のリスクが高いかどうかを特定することができることを示しました。また、治療開始前の定期的な症状評価の重要性を強調しました。このツールは、中高度の重症患者グループでのgrade 3-5の毒性の増加リスクを特定することはできませんでした。

この研究は、GAP70+（高齢者の進行がん患者に対する老年期評価介入による毒性の低減）という全国的な多施設のクラスター無作為化試験の二次解析に基づいています。GAP70+では、高齢者の進行がん患者に対する老年期評価介入が、がん治療による毒性の効果を有意に減少させることが示されました。
この研究に対するコメントでは、カロリン・プレスリー博士は、新しいがん治療薬や承認が急速に増えているため、治療関連の副作用を経験する患者を理解することが重要であると述べました。また、高齢者のがん患者が過小治療や過剰治療を避けるためには、患者の症状を患者が報告する結果として理解し、時間とともに監視する必要があると付け加えました。これにより、医師は意味のある方法で介入できるようになります。
プレスリー博士は、「高齢者は、自分たちの進行がんの治療法についてずっと前から教えてくれていました。患者の話を聞き、患者が報告する結果を理解し、病気の進行初期からサポートケアを強化することが、世界中で急速に増える高齢者のがんケアを改善する道です」と述べています。
GAP70+の研究には、706人の患者が参加し、NCI PRO版のCommon Terminology Criteria for Adverse Events（PRO-CTCAE）を新しいがん治療開始前に完了していました。これらの患者は、平均年齢77歳で、57％が男性、88％が非ヒスパニック白人、7％が黒人でした。主ながんの種類は、消化器系（35％）、肺（25％）、泌尿器系（15％）の悪性腫瘍で、87％がステージIVで診断され、88％が化学療法を受ける予定でした。
教師なし機械学習アルゴリズムは、患者の治療前症状の重症度に基づいて、類似性を持つ患者をクラスター化しました。その結果、310人（44％）の患者が低重症、295人（42％）が中等度の重症、101人（14％）が高重症と分類されました。
許られた研究者たちは、この研究の結果を考慮すると、研究対象者（高齢者で進行がんのある患者）の予想される生存期間が限られているため、治療の反応よりも治療前の症状の負担が、結果を推定する上でより臨床的に意義深いかもしれないと述べています。
研究チームは、研究の制約として、研究参加者が主に非ヒスパニック白人であり、アメリカの人口を代表していないこと、および機械学習アルゴリズムがまだ外部で検証されていないことを挙げています。

要約すると、この研究は、治療前の自己申告症状の重症度を取り入れた機械学習ツールが、高齢者の進行がん患者の入院や死亡リスクが高いグループを特定できることを示しています。この研究の結果は、治療前の症状評価の重要性を強調し、患者が報告する結果を理解してサポートケアを強化することが、高齢者のがんケアを改善する道であることを示唆しています。
ただし、研究の制約として、参加者が主に非ヒスパニック白人であり、機械学習アルゴリズムがまだ外部で検証されていないことが挙げられています。今後の研究で、より多様な患者集団を対象に検証し、この機械学習ツールの有用性をさらに評価することが望まれます。