JournalClub 機械学習はSepsis研究に新境地をもたらすか？

全文

(1)Journal Club. 機械学習は Sepsis研究に新境地をもたらすか？ 2019/7/23 横須賀市立うわまち病院 PGY2 浦穂高.

(2) Christopher W. Seymour, MD, MSc, et.al. JAMA, May 28, 2019 Vol.321.

(3) Sepsis • 感染に対する過剰な免疫反応により急性臓器障害を引き起こす状態 • 年間何百万人が罹患、早期治療にも関わらず高い致死率.

(4) • 宿主免疫反応の解明は進んできたが、新たな治療へ結びついていない. なぜ？. • Sepsisの定義が、多彩な臨床的・生物学的特徴を有する広い症候群であるため.

(5) Sepsis • Sepsisの宿主反応解明は進んできたが、治療への応用は不充分：Opal SM et al. 2014 • 臨床研究で失敗 ⇨動物と人間の違い適切な患者群を同定していない：Prescott HC et al. 2016. 成功した新薬なし.

(6) Sepsis • 12の改善案・バイオマーカーや反応性の指標で発症早期から患者を選別・組入基準でアウトカムと直結するリスク、治療反応性を考慮・標準化された臨床研究データの保管 etc. ：Opal SM et al. 2014 • ４つの方策・ハイリスク患者への限定・治療反応性の高い患者への限定・Adaptive randomization ・リスクに応じたサブグループ解析：Prescott HC et al. 2016.

(7) Sepsis • 12の改善案・バイオマーカーや反応性の指標で発症早期から患者を選別・組入基準でアウトカムと直結するリスク、治療反応性を考慮・標準化された臨床研究データの保管 etc. ：Opal SM et al. 2014 • ４つの方策・ハイリスク患者への限定・治療反応性の高い患者への限定・Adaptive randomization ・リスクに応じたサブグループ解析：Prescott HC et al. 2016. 患者特性の把握患者の選別がより求められている.

(8) • 来院時評価でSepsisをこれまでとは異なる分類にしたら、予後不良リスクが明らかになり、治療反応も異なってくるのではないか？. 多次元のデータを包括し解析する必要性.

(9) Sepsis • RNA遺伝子解析の発達 • 膨大なデータを解析する機械学習の発達. 表現型遺伝子発現量に着目したSepsis Phenotypeの推定遺伝子発現パターン. Sepsis Phenotype. 臨床的特徴.

(10) Genomic landscape of the individual host response and outcomes in sepsis: a prospective cohort study • 肺炎によるSepsisでICUに入院した患者を対象とした前向きコホート研究 • 感染への宿主反応の多様性を末梢血白血球の遺伝子発現で解析 • ２つの分類へ分けられ、生存率と相関がみられた. Dapvenport EE, et al. Lancet Respir Med 2016;4:259-71.

(11) Shared and Distinct Aspects of the Sepsis Transcriptomic Response to Fecal Peritonitis and Pneumonia • ICUへ入室したSepsis患者を対象とした前向きコホート研究 • 入室時血液で遺伝子学的精査を行い、その分類とSepsisの予後の関連を調べた • ２つの分類へ分けられ、短期死亡率と相関がみられた. Burnham KL, et al. Am J Respir Crit Care Med. 2017 Aug; 196:328-339.

(12) Classification of patients with sepsis according to blood genomic endotype: a prospective cohort study • ICUへ入室したSepsis患者を対象とした前向きコホート研究 • 入室時血液で遺伝子学的精査を行い、その分類とSepsisの予後の関連を調べた • ４つの分類へ分けられ、28日死亡率と相関がみられた. Scicluna BP, et al. Lancet Respir Med. 2017 Oct; 5(10):816-826.

(13) Unsupervised analysis of transcriptomics in bacterial sepsis across multiple datasets reveals three robust clusters • Sepsisで入院で入院した患者に関する14のデータセットを対象とした後ろ向きコホート研究 • 入院・入室時に血液で遺伝子学的精査を行った研究が対象 • ３つの分類へ分けられ、生存率と相関がみられた. Sweeney TE, et al. Crit Care Med 2018;46:915-25.

(14) Sepsis Phenotype N=Phenotype作成母数 , EE Davenport, 2016 N=265 HLAclass. SRS1 T. SRS2. SRS1_FP. SRS2_FP. ↓. KL Burnham, 2016 N=147. T ↑. BP Scicluna, 2017 N=306 TE Sweeney, 2018 N=700. Mars1. Mars2. Mars3 ↑. ↓ ↑ Inflammopathic ↑. ↑ Adaptive ↑. • 赤字が最も予後不良な表現型 • 成人のみの研究を記載. Mars4 ↑ Coagulopathic.

(15) メリット • Phenotypeの病態学的特徴が発現遺伝子で説明できる ex: 免疫反応の亢進、凝固異常の亢進 • 機序が明確で特異的治療を検討しやすいデメリット • 研究以外での使用は限定的 • 過去の研究への適用不能.

(16) Clinical Question • 臨床情報と機械学習を組み合わせる事で、従来とは異なるSepsisのPhenotype把握ができるのではないか？：遺伝子発現ではなく臨床情報から分類 • Phenotypeによっては、過去のRCTにおける介入効果に変化を及ぼすのではないか？新たなサブグループ解析.

(17) Christopher W. Seymour, MD, MSc, et.al. JAMA, May 28, 2019 Vol.321.

(18) ‣機械学習でSepsisのPhenotypeを作成し、評価すること第一目標：来院時の臨床情報を数学的に具体的で再現性のあるSepsis Phenotypeに変換する第二目標：SepsisのPhenotypeと宿主免疫反応のバイオマーカーや臨床予後の相関を検証する第三目標：Phenotype毎の臨床研究での治療効果を検証する表現型の新規性を従来のサブグループを用いた方法とも比較した.

(19) Methods.

(20) • SENECA project: Sepsis ENdotyping in Emergency CAre NIHが出資 • 機械学習を用いた後方視研究 • ピッツバーグ大学のIRB承認を得て施行.

(21) ３つのコホート. ３つのRCT. • 各データで用いられた用いられた定義は、SENECAでSepsis-3 基準だった他は全てでSepsis-2基準が用いられた.

(22) Sepsis Endotyping in Emergency Care (SENECA) • ピッツバーグ大学関連12施設のデータセットを使用 • ERへ受診後６時間以内にSepsisと診断された１８歳以上の全ての成人を対象 • 2010-2012年(derivation cohort) 2013-2014年(validation cohort).

(23) Genetic and Inflammatory Markers of Sepsis (GenIMS) Study • 米国28病院における多施設前向きコホート研究 • 市中肺炎によるSevere sepsisで入院した患者における炎症・抗炎症マーカー(TNF, IL-6, IL-10)を測定 • Severe sepsisの予後(90日死亡率)の関連を検討. Kellum JA, et al. Arch Intern Med. 2007; 167(15):1655-1663.

(24) • Severe sepsisを発症し死亡した群は有意にIL-6, IL-10が高かった. 自然対数軸.

(25) • Severe sepsisを発症し死亡した群は有意にIL-6, IL-10が高かった. 自然対数軸. IL-6, IL-10高値は Sepsisの予後不良を示唆.

(26) GenIMS • 特定の炎症カスケードに作用する治療がSepsisに有効なのではないか？ ⇨ ACCESS, PROWESS • 体系化された治療が予後を改善するのではないか？ ⇨ ProCESS.

(27) A controlled comparison of eritrean and placebo in patients with severe sepsis (ACCESS) trial • TLR4 (Toll-Like Receptor 4)拮抗薬であるEritoranが、 Severe Sepsisの死亡率を下げるかどうかを検証した多国間二重盲検RCT • Severe sepsisで臓器障害が出現してから12時間以内に Eritoranかプラセボを開始し、6日間継続 • Primary outcome：28日死亡率 Secondary outcome：治療開始3,6,12ヶ月後の死亡率 Opal SM, et al. JAMA. 2013; 309:1154-62.

(28) • Eritoran群とプラセボ群で死亡率に有意差なし • サブグループ解析でも多くの項目について有意差なし • IL-1β、IL-6, IL-8, IL-10, IL12, TNF-α, プロカルシトニンの推移に有意差なし.

(29) • Eritoran群とプラセボ群で死亡率に有意差なし • サブグループ解析でも多くの項目について有意差なし Severe. Sepsisに対して TLR4拮抗薬は予後を改善しない • IL-1β、IL-6, IL-8, IL-10, IL12, TNF-α, プロカルシトニンの推移に有意差なし.

(30) Protein C Worldwide Evaluation in Severe Sepsis(PROWESS) Study • Drotrecogin α(活性化プロテインC)がSevere sepsisの死亡率を下げるかどうかを検証した多国間多施設二重盲検RCT • Severe sepsisと診断された患者に対し、Drotrecogin αかプラセボを開始し、4日間継続 • Primary outcome：28日死亡率 Secondary outcome：薬剤副作用など. Bernard GR, et al. N Engl J Med. 2001; 344:699-709.

(31) • 死亡率はDrotrecogin α群で有意に低かった • Dダイマー、IL-6の推移も Drotrecogin α群の方が有意に低かった • 重大な出血はDrotrecogin α群の方が多い傾向.

(32) • 死亡率はDrotrecogin α群で有意に低かった • Dダイマー、IL-6の推移も Drotrecogin α群の方が Drotrecogin 有意に低かった. αは Severe Sepsisの予後を改善. • 重大な出血はDrotrecogin α群の方が多い傾向.

(33) Protocol-Based Care for Early Septic Shock (ProCESS) trial • 米国31病院において、Septic shockで救急受診した成人患者を対象にEGDTの有効性を検証 • EGDT群(Aラインは省略)、標準化治療群(CVC確保、昇圧剤・輸血を省略)、通常治療群で予後を比較 • Primary outcome: 60日院内死亡率 Secondary outcome: 長期死亡率、臓器サポートの必要性など. The ProCESS Investigators. N Engl J Med. 2014; 370:1683-93.

(34) • ICU入室率はEGDT 群が有意に高かった • 死亡率は３群で有意差なし.

(35) • ICU入室率はEGDT 群が有意に高かった • 死亡率は３群で有意プロトコール治療は差なし. Sepsisの予後を改善しない.

(36) Phenotype.

(37) • 大規模データベースにある来院時情報の29変数を基に教師なしクラスター分析を行い、Sepsis Phenotypeを作成 • Sepsis Phenotypeの再現性についての検証ー同一のデータベースに異なるクラスター分析を施行するー複数の他コホートや臨床試験データを用いて Phenotypeの分布頻度を検討. 電子カルテ情報. Sepsis Phenotype.

(38) phenotype SENECA Derivation cohort 2010-2012 N=20,189. SENECA Validation cohort 2012-2014 N=43,086. GenIMS cohort study 2001-203 N=583. (eFigure 1. Latent class analysis Consensus k means clustering. 分類数と分類を作成検証. ).

(39) Phenotype • 発症もしくは予後と関連すると考えられる 29因子を選択 • 来院６時間以内で最も異常な値を抽出.

(40) • 類似したものをクラスタとしてまとめ上げる手法 • 研究では機械学習として行われることが多い • 標本の分布に合わせて様々な手法がある.

(41) • 候補とされる変数の分布・欠落・相関について評価 • 欠落データの解析：連鎖方程式による多重代入法 • 異常値の解析：対数変換 • 相関の解析：順位統計を用い、高い相関がみられる変数を除外 • 適切なクラスタリングの決定：OPTICSで評価 ⇨ Consensus k means clustering での評価が適切.

(42) Consensus k means clustering • 分割の良さを評価する関数を定め、それを最適化する分割を探索する手法(k個のクラスタに分割する) • クラスタが超球状の形状で、クラスタ中の対象数が等しいことが前提. クラスタリングに関する講演・講義資料神嶌敏弘, 産業技術総合研究所最終アクセス2019/7/12, http://www.kamishima.net/.

(43) • Phenotypeのサイズ • ヒートマップ • 累積分布関数の特徴 • クラスター間での適切な一致値. を評価.

(44) • 異なるクラスタリング手法である潜在クラス分析(Latent class analysis)で同様にクラスタリングできるかを検証.

(45) Phenotype SENECA Derivation cohort 2010-2012 N=20,189. SENECA Validation cohort 2012-2014 N=43,086. GenIMS cohort study 2001-203 N=583. (eFigure 1. Latent class analysis Consensus k means clustering. 分類数と分類を作成検証. ).

(46) • SENECA validation： consensus k means clusteringを用いてクラスタリング • GenIMS, 3RCTs： SENECA derivationで分類した各Phenotypeの重心からのユークリッド距離を用いてPhenotype分類を行い、頻度と臨床的特徴の類似性を評価.

(47) Phenotype.

(48) • Sepsis Phenotypeと宿主反応の違いを反映したバイオマーカーのパターンについて複数のデータセットを用いて検証 • 次に、Sepsis Phenotypeと死亡率や他の臨床予後について評価. Sepsis Phenotype. バイオマーカー死亡率 etc..

(49) Phenotype GenIMS cohort study 2001-203 N=583. ProCESS trial 2008-2013 N=1341. SENECA Derivation cohort 2010-2012 N=20,189. PROWESS trial 1998-2000 N=1690. ACCESS trial 2006-2010 N=1706. SENECA Validation cohort 2012-2014 N=43,086. (eFigure 1. Sepsis Phenotypeと… バイオマーカーとの相関分析アウトカムとの相関分析. ).

(50) Phenotype • 個別のデータの分布やPhenotype毎の変数パターンを視覚化する手法として以下を用いた 1) 2) 3) 4). t分布型確率的近傍埋め込み(t-SNE) alluvial plots chord diagrams ranked plot. 一部をResultsで個別に紹介.

(51) Sepsis Phenotype • Sepsis Phenotypeが従来の臨床分類と同じではないことをSOFAスコアやAPACHEスコアを用いて評価 • SENECA derivationコホート：PhenotypeとSOFAスコアの重複をallubial plotで評価 • ３RCTs：表現型とAPACHE, SOFAの四分値の重複を評価.

(52) • バイオマーカーと死亡率についてProCESS試験で APACHEスコアの四分画を用いて検証：表現型ではなくAPACHEの分布を変更してシミュレーションを行い、交絡を検証 • Sepsis Phenotypeが感染巣で説明できるかの検証：ACCESS試験でalluvial plotを作成しSepsis Phenotype毎の感染巣比率を検証：SENECA derivationで単一の感染巣を持つ患者のSepsis Phenotypeの分布比率を検証.

(53) Phenotype.

(54) • 臨床試験結果における治療効果の異質性を分析 • ３つの試験データからSepsis Phenotypeが治療効果に与える影響についてシミュレーションを行った. Sepsis Phenotype 分布比率変更. 治療効果変化？.

(55) Phenotype ProCESS trial 2008-2013 N=1341. ACCESS trial 2006-2010 N=1706. PROWESS trial 1998-2000 N=1690. (eFigure 1. Sepsis Phenotypeの比率を変更し治療効果が変わるか検証. ).

(56) • 乱数を用いたコンピューター実験 • 割り当て群とSepsis Phenotype毎の死亡率、サンプルサイズ、割り当て比率は実際の研究結果を使用 10,000回シミューレーションを行い、χ2検定で有意差を評価 • APACHE3スコアで４分類を作成し、Sepsis Phenotypeに代えて上記と同様のシミュレーションを施行.

(57) • 連続データ：Kruskal-Wallis検定 • 分類データ：χ2検定 • 累積死亡率：log-rank検定 • 統計学的有意差：両側検定でp<0.05 • TypeⅠエラー：多数比較のため補正施行せず • 統計解析ソフト：Stata version 14.2と R versions 3.4.1, 3.5.0.

(58) Results. 各研究結果の俯瞰.

(59) GenIMS. Pulmonary. GCS. SENECA derivation 10%, validation 6% GenIMS 14%.

(60) 3. RCT ACCESS PROWESS ProCESS 365. Cre. AST BUN 43%, 35%, 40%.

(61) Results. Sepsis Phenotypeの作成・検証.

(62) Sepsis Phenotype. A.k=４で明瞭な境界分布 B.高値かつ水平なものが適切. CDF=累積分布関数.

(63) C.k=4以上でCDFの変化は乏しい D.全ての棒線が高値であるものが適切 ⇨適切な分類数は「４」.

(64) Latent class clustering を用いた場合でも分類通りに割り当てられる可能性が高かった.

(65) • SENECA validation： Phenotypeの分類数、頻度は同等欠落が多いもしくは相関の強い変数、来院12時間以内のデータを含めた解析でも大きな変化なし • GenIMS, 3RCTs： Phenotypeの分布比率や臨床的特徴は SENECA derivationと同等であった.

(66) Results. Sepsis Phenotypeの特徴.

(67) SENECA derivation phenotype.

(68) Phenotype α：血液検査の異常値と臓器障害が少ない β：高齢で慢性疾患の合併が多く、腎機能障害を伴うことが多い γ：炎症反応と体温が高く、アルブミンが低い δ：ラクテートとトランスフェラーゼが高く、血圧が低い.

(69) ※原典図引用実際にはPhenotypeのラベル表記が誤っている. SOFAスコアは αで低く、δで高かった. SOFA. SD. αあ. 3.0. 1.4. βあ. 3.5. 1.7. γあ. 4.0. 2.3. δあ. 6.6. 3.7.

(70) Sepsis Phenotype • ACCESSではδ型に腹腔内感染症が多かったが、それぞれの分類に幅広い感染巣が分布していた • SENECA derivationの菌血症も全ての分類に渡って分布していた. ※原典図引用実際にはPhenotypeのラベル表記が誤っている.

(71) Sepsis Phenotype. • ベースライン、バイオマーカー APACHE3スコアとは異なる分布 • 短期死亡率 APACHE3スコアと類似した分布. ※シミュレーションではAPACHE3スコアの変化はより小さい影響. APACHE3.

(72) 臓器障害. 分布比率全体平均と分類内平均の差に応じてリボンを結んでいる.

(73) ２群間比較の一覧表中心軸からの乖離が大きい項目ほど群間差あり ex. αとδにおけるAST, Lactate, albuminなど.

(74) Sepsis Phenotype. •各Phenotype間で宿主反応のバイオマーカーに大きな差 •27のバイオマーカーのうち、 23で少なくとも１つの研究でSepsis Phenotypeに有意差.

(75) ４つの研究全体のαが基準空欄は測定されていない項目. α・β型と比較してγ・δ型では炎症マーカーと凝固異常が増加凝固マーカー(TAT複合体, PAI-1, Ddimer)は、δ型で有意に上昇(P<0.001) 血管内皮障害マーカー(E-selectin, ICAM) は、γ型で有意に上昇(P<0.01) 腎障害マーカー(IGFABP-7, COL-4, TIMP-2)は、β・δ型で有意に上昇 (P<0.01).

(76) Sepsis Phenotype. 28. • 28日死亡率はδ型が他のPhenotypeと比較して有意に高かった (P<0.001).

(77) Sepsis Phenotype. • 死亡率：α＜β＜γ＜δ • ICU入室率は他の分類と比較しδ型が有意に最も高かった(P<0.01).

(78) Sepsis Phenotype. • 人工呼吸器装着期間、昇圧剤投与は研究間で有意差なし.

(79) Results. 治療効果シミュレーション.

(80) α-type. α-type. EGDT. EGDT.

(81) ベースラインの特徴はシミュレーションと実際の結果で類似していた δ型の比率を２倍としても対照群の死亡率は5-8%の上昇に留まった ACCESSではδ型に対してEritoranが有害 PROWESSではα型に対して Drotrecodingαの有益性が低かった ProCESSではα型に対してEGDTが有益逆にδ型に対しては有害であった.

(82) APACHE3スコアの変化による影響はSepsis Phenotypeよりも小さかった.

(83) Discussion.

(84) • Sepsis患者の来院時データを後ろ向きに解析し、４つのPhenotypeを作成 • Phenotypeは、従来の感染巣や臓器障害、重症度とは異なり、人口統計や異常検査値、臓器障害のパターンなどから分類 • 新たなPhenotypeの頻度や特徴は、異なるデータセットや異なる機械学習法を用いても再現.

(85) • Sepsis Phenotype４分類は、宿主免疫反応、死亡率、他の臨床結果とも強く相関 • 3RCTsでのシミュレーションでは、α・δ型で治療効果・副作用への感受性が高かった • δ型は宿主反応バイオマーカーや心血管系・肝障害による臨床症状と最も強く相関 • ACCESSではδ型が増えることでTLR4拮抗薬の有害性が増加 δ型は腹腔内感染症が多く、TLR4が腹腔内感染症のSepsisで腹膜からの細菌排泄を促進するという動物実験の結果と一致.

(86) -EGDT• ProCESSでは、δ型が多い場合にEGDTの有害性が増加 ⇨低中所得国での2つのRCTと同様の結果(24,25) • α型が多い場合にEGDTの有効性が増加 ⇨Riversらと同様の結果(26).

(87) • α型：SRS2、MARS3 ⇨獲得免疫、B細胞活性化経路 • δ型：SRS1、MARS2、Inflammopathic、ARDSの高炎症群 ⇨免疫反応亢進. -.

(88) • 過去の研究では、研究対象全体、サブグループ、死亡リスクに応じた階層化を分析する際に、 Phenotypeによる治療効果の異質性が生じていた可能性 ※サンプルサイズが小さい場合は、治療と分類の相互作用が制限される可能性 • Sepsisに対する新しい生物学的治療の効果を調べる際に、今回のSepsis Phenotypeで評価することが可能 ⇨新たな研究では、Phenotypeについて境界も含めてデータ蓄積を期待.

(89) Limitation 1. Sepsis Phenotype作成には電子カルテのデータのみを使用 ※臨床医の印象、タンパクバイオマーカー、免疫細胞の遺伝子発現や病原体を含めていない 2. データ選択・解析に主観性が伴う ※来院後データを６時間に限定、変数の設定、分類数の設定 3. クラスタリングに組み込んだ変数の中には欠損データが多く、 multiple imputation法を用いて補完.

(90) Limitation 4.Phenotypeにより短期・長期予後に違いが生じた ※コホートの違いによる (Sepsisの定義、患者背景、臓器障害の程度) 5.Phenotypeの分類は、元々米国の１つの施設群における一時点のデータを用いて作成 ⇨今後様々なコホートや研究での検証が必要.

(91) Conclusion • 宿主反応や臨床結果と相関した４つのSepsis Phenotypeを同定することができた • この分類は治療効果の異質性を理解する一助となる可能性が示された • この分類が臨床および研究デザイン・解釈に応用できるか確かめる更なる研究が必要.

(92) (. ). • SENECA以外の対象となる研究の選択に対して、積極的な理由の明示がない • Consensus k means clusteringは局所最適解を求めるため初期条件を変更して最良の条件を選ぶことが推奨されるが、それについての記載がない.

(93) (. ). • Phenotype作成の手法が複雑なまま簡素化されていない • 白人が多い点、アメリカの臨床データという点に留意が必要 • 探索的研究であり日常のプラクティスに直結する研究ではない.

(94) • 遺伝子発現パターン以外に対し機械学習を用いた Phenotype研究という点が目新しい • 多変量回帰分析が医学研究で一般化したように、機械学習を用いた解析も今後は普及していくのではないか • 複雑な過程を経ているため、再現性についてはより注意する必要がある.

(95)