機械学習が精神科領域にあたえる影響

アウトライン

1. 作成日: 2025/11/16
2. 更新日: –

はじめに

幅広い年齢層で増加するメンタルヘルス問題に対し、どの治療 (心理療法、薬物療法など) がその患者に最も適しているかを、医師が瞬時に判断することは簡単ではありません。

この課題に対し、Joshua Curtisらの研究では、機械学習モデルが治療反応を約76％の精度で予測できる可能性があるという結果を挙げています。

この成果は、精神科領域と統計・機械学習を接続させる意味で、また統計解析担当者にとっても大きな示唆を含んでいます。

なぜ「予測」が重要なのか？

現在、多くの臨床現場では「この治療を試す／効果がなければ次の治療を試す」という流れが主流です。Joshua Curtisらが指摘するように、「この患者がCBT (認知行動療法) に反応するか、薬物療法に反応するか、見ただけではわからない」という現実があります。

機械学習によって事前に反応確率が分かれば、無駄な治療開始・切り替えを減らし、速やかに適切な介入に移行できる可能性があります。

Curtiss J, et al (2025) の概要

この研究は、感情障害 (うつ・不安など) の治療反応 (レスポンダー / 非レスポンダー) を、機械学習がどれほど正確に予測できるかをメタアナリシスで評価しています。

2010～2025年の文献3,816件から155研究を分析した結果、平均予測精度は0.76、AUCは0.80と、機械学習は治療反応を良好に識別できることが示されたようです。

感度は0.73、特異度は0.75であり、精度を高める要因として、

• 厳密なクロスバリデーションを実施している研究
• 神経画像データを用いた研究

があげられています。

一方で、

• レスポンダーの割合が高い研究
• アウトカム不均衡 (クラス不均衡) を補正していない研究

では精度が過大に見積もられる傾向があります。

結論として、機械学習は感情障害の治療反応予測に有望ですが、予測精度は使用データの種類や方法論の質に左右されます。今後は、より厳密な手法の採用と、多様なデータ統合による精度向上が求められそうです。

臨床試験の設計にあたえる影響

機械学習モデルが実用化されれば、臨床試験設計時から以下のような変化が想定されます：

• 介入群選定: 反応可能性の高い被験者を優先的に組み込む
• サブグループ解析:予測モデルによる反応予測値を用いて反応者／非反応者を事前層別
• リアルワールドデータとの連携:電子カルテ・バイオマーカー・画像データを併用し予測モデルを強化
• 統計解析計画書への記載:機械学習モデルを用いた予測解析、モデル精度・バイアス検証・説明可能性を明記

私たちがこれから考えていくこと

この研究は「機械学習が精神医療の未来に役立つ可能性」を示す重要な第一歩だと思います。

ただし、実臨床・多施設試験・多国籍データを用いたリアルワールド適用までにはいくつかのステップが残されています。

例えば、

• モデルの「説明可能性」をどう担保するか
• AI偏り (algorithmic bias)・公平性 (equity)・データプライバシーの問題
• AIの予測結果を、医師・患者が「納得して使えるか」という問題

という感じです。
とくに説明可能性は大きな課題になりそうですよね。

統計解析担当者としては、「機械学習の予測モデルを、治療反応予測・サブグループ探索・適応試験設計にどう活用するか」を早期に検討することが、今後のキャリアにおいて大きなアドバンテージになってくると思います。

参考文献

• Curtiss J, DiPietro C. Machine learning in the prediction of treatment response for emotional disorders: A systematic review and meta-analysis. Clin Psychol Rev. 2025 Aug;120:102593. doi:
  10.1016/j.cpr.2025.102593. Epub 2025 May 22. PMID: 40493989.