AIと神経難病・神経免疫疾患 ── 多発性硬化症 ── 2026-10-31
多発性硬化症 1 本。筆頭: ウェアラブルセンサーのデータとアンサンブル機械学習を用いた、多発性硬化症患者の痛みの状態の実環境での分類
多発性硬化症の治療・治験とAI
- Real-World Classification of Pain States in Multiple Sclerosis Patients using Wearable Sensor Data and Ensemble Machine Learning.抄録（全訳）
背景：この課題は多発性硬化症（MS）の患者で特に重要である。MS では痛みは最も多い症状の一つで、変動しやすく、複数の形で現れる。ウェアラブルセンサーと機械学習（ML）を組み合わせると、実生活の場で生理信号を用い、痛みを連続的かつより客観的に監視できる可能性がある。これにより、痛みを連続して、より客観的に監視できる可能性がある。
方法：MS 患者 18 例を Empatica E4 リストバンドで 48 時間モニタリングした。収集したのは光電式容積脈波、皮膚電気活動、皮膚温、加速度計のデータである。覚醒中は 1 時間ごとに痛みを自己申告で評価し、その直前の 5 分、10 分、15 分の時間窓から生理学的特徴量を抽出した。痛みの状態との単変量の関連は、多重比較を補正したうえで線形混合効果モデルにより評価した。分類では、再帰的特徴量削減で特徴量を選択した。そのうえで 5 種類の ML アルゴリズムを、1 被験者除外交差検証で訓練・検証した。モデルの性能は F1 スコアと、感度と特異度のバランスで評価した。
結果：単変量解析では、補正後に痛みのある状態とない状態で有意差を示した特徴量は、43 個のうち 2 個のみであった。分類では、概して 5 分窓のモデルの性能が最も高かった。最も高い F1 スコア（0.78）は、5 分窓の特徴量 2 個を用いたサポートベクターマシンで得られた。感度と特異度のバランスが最も良かったのは XGBoost で（0.69/0.68）、15 分窓の特徴量 2 個を用いた。
結論：ただし、この結果は予備的なものと考えるべきである。提案した手法の頑健性と一般化可能性を確立するには、より大規模な独立コホートでの検証が必要である。
掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）書誌：Moscato S, Orlandi S, Pozzi S, Lullini G, Sabattini L, La Porta F, et al. Real-World Classification of Pain States in Multiple Sclerosis Patients using Wearable Sensor Data and Ensemble Machine Learning. Digit Biomark. 2026 Oct 1;10(1):202-15. doi:10.1159/dib/acpag001.確認の範囲：抄録のみ確認