心臓病のリスクとなる頸動脈プラークを舌と血液検査からAIで予測する研究

心臓病や脳卒中の原因となる動脈硬化は、私たちの健康にとって大きな脅威です。特に、首にある太い血管「頸動脈」にできるプラーク（こぶ）は、そのリスクを測る重要な指標となります。このプラークが「不安定」な状態になると、剥がれて血管を詰まらせ、心筋梗塞や脳梗塞を引き起こす可能性が高まります。
これまでの診断は、超音波検査や血液検査が中心でしたが、今回ご紹介する研究では、なんと「舌の状態」と血液検査のデータを組み合わせ、AI（人工知能）を使って不安定なプラークのリスクを予測するという、画期的なアプローチが試みられました。非侵襲的で簡便な舌の観察が、未来の心臓病リスク予測にどう貢献するのか、詳しく見ていきましょう。

🔬研究概要：舌とAIで心臓病リスクを予測する新たな試み

この研究の目的は、冠動脈疾患（CHD）^※1を持つ患者さんにおいて、舌の見た目の特徴と血液中の代謝マーカー^※2を組み合わせることで、頸動脈の「不安定プラーク」^※3のリスクをより正確に予測できるかどうかを評価することでした。さらに、複数の機械学習モデル^※4を開発し、その診断性能を比較することも目的とされました。

^※1 冠動脈疾患（CHD）：心臓の筋肉に血液を送る冠動脈が狭くなったり詰まったりして、心臓の機能が低下する病気の総称。狭心症や心筋梗塞などが含まれます。
^※2 代謝マーカー：体内の代謝活動に関連する物質で、血液検査などで測定され、病気のリスクや状態を示す指標となります。
^※3 不安定プラーク：首にある太い血管（頸動脈）の壁にコレステロールなどがたまってできるこぶ（プラーク）のうち、特に破れやすく、血栓（血の塊）を作りやすい危険なプラークのこと。心臓病や脳卒中のリスクを高めます。
^※4 機械学習モデル：コンピューターがデータからパターンを学習し、予測や分類を行うためのプログラムやアルゴリズムのこと。

🧪研究方法：523人の患者データとAI解析

研究チームは、冠動脈疾患を持つ523人の患者さんから過去の臨床データを収集しました。これらの患者さんは、頸動脈の超音波検査の結果に基づいて、「不安定プラークがある群」と「不安定プラークがない群」の2つのグループに分けられました。

次に、両グループ間で以下の項目を比較しました。

• 年齢、BMI^※5などの基本的な身体情報
• 舌の見た目の特徴（色や形など、デジタル画像解析によってR, G, B値^※6として数値化）
• 血液中の代謝マーカー（APOA1^※7、空腹時血糖（FBG）^※8、AST^※9、カリウム（K+）^※10、ナトリウム（Na+）^※11、尿素窒素（BUN）^※12、プロトロンビン時間（PT）^※13、活性化部分トロンボプラスチン時間（APTT）^※14など）

これらのデータを用いて、不安定プラークと関連する要因を特定するために、統計解析手法であるLASSO回帰^※15が用いられました。その後、データを訓練用と検証用に6:4の割合で分割し、LightGBMを含む4種類の機械学習アルゴリズムを使って予測モデルが構築され、その性能が評価されました。

^※5 BMI：肥満度を示す国際的な指標で、「体重(kg) ÷ (身長(m) × 身長(m))」で計算されます。
^※6 R, G, B値：光の三原色（赤、緑、青）の成分を示す数値で、デジタル画像の色を表現するために使われます。舌の色の客観的な評価に用いられます。
^※7 APOA1（アポリポタンパク質A1）：善玉コレステロール（HDLコレステロール）の主要な構成成分で、動脈硬化の予防に関わるとされています。
^※8 FBG（空腹時血糖）：食事をしていない状態で測る血液中のブドウ糖の量。糖尿病の診断や管理に用いられます。
^※9 AST（アスパラギン酸アミノトランスフェラーゼ）：肝臓や心臓などに多く含まれる酵素で、これらの臓器に障害があると血液中で高値になります。
^※10 K+（カリウム）：体内の水分バランスや神経・筋肉の機能維持に重要なミネラルです。
^※11 Na+（ナトリウム）：体内の水分バランスや血圧の調整に重要なミネラルです。
^※12 BUN（尿素窒素）：腎臓の機能を示す指標の一つで、血液中の老廃物の量を示します。
^※13 PT（プロトロンビン時間）：血液の固まりやすさ（凝固能）を測る検査の一つです。
^※14 APTT（活性化部分トロンボプラスチン時間）：PTと同様に血液の凝固能を測る検査の一つです。
^※15 LASSO回帰：統計学的な手法の一つで、多くのデータの中から特に重要な要素を効率的に選び出すために使われます。

📊主な研究結果：舌と血液データが示すリスクの兆候

この研究で得られた主要な結果は以下の通りです。

不安定プラークの有無によるグループ間の違い

不安定プラークがある群とない群の間で、以下の項目に統計学的に有意な差が見られました。

舌のパラメータと血液マーカーの相関

• 舌の見た目のパラメータ（R, G, B値）は、APOA1、FBG、PT、APTTといった血液中の代謝マーカーと有意な相関関係があることが示されました。これは、舌の状態が体内の代謝状態をある程度反映している可能性を示唆しています。

機械学習モデルの予測性能

• 構築された機械学習モデルの中で、LightGBMモデルが最も高い識別性能を示しました。検証データセットにおけるAUC^※16は0.727でした。これは、モデルが不安定プラークのリスクをある程度の精度で予測できることを意味します。

^※16 AUC（Area Under the Curve）：機械学習モデルの性能を評価する指標の一つで、0から1の範囲で示され、1に近いほど予測精度が高いことを意味します。

🤔この研究から見えてくること（考察）

この研究結果は、心臓病のリスク評価において、舌の観察という非侵襲的で簡便な方法が新たな可能性を秘めていることを示唆しています。

まず、舌の画像パラメータと一部の血液代謝マーカーとの間に弱いながらも相関が見られたことは、非常に興味深い点です。これは、舌の状態が、血液検査では捉えきれない、あるいは異なる側面から体内の病態生理学的状態を反映している可能性があることを示唆しています。東洋医学では古くから「舌診」という診断法がありますが、それを現代の科学技術（デジタル画像解析とAI）で客観的に評価しようとする試みと言えるでしょう。

また、年齢やBMI、そしてAPOA1（善玉コレステロールの指標）、FBG（血糖値）、肝機能や腎機能、血液凝固能に関わる様々な血液マーカーが、不安定プラークの有無と関連していることが改めて確認されました。これは、動脈硬化の進行には、これらの生活習慣病に関連する要因が深く関わっていることを裏付けるものです。

そして、これらの複雑なデータを統合し、不安定プラークのリスクを予測する上で、機械学習モデル、特にLightGBMが有効であることが示されました。AUCが0.727という数値は、非常に高い精度とは言えないものの、舌の画像データというこれまであまり活用されてこなかった情報が、AIによって診断に役立つ可能性を示した点で大きな一歩と言えます。

この研究は、舌の画像パラメータが、冠動脈疾患患者の心臓病リスク層別化（リスクの高さに応じて患者を分類すること）のための「予備的な探索的参考指標」となりうることを示しています。つまり、舌を見るだけで、より詳細な検査が必要な患者さんをスクリーニングできる可能性を秘めているということです。

💡私たちの生活にどう活かす？（実生活アドバイス）

この研究はまだ初期段階ですが、私たちの日常生活に役立つヒントもいくつか見出すことができます。

• 舌の観察を習慣にしてみましょう：毎朝歯磨きの際に、鏡で自分の舌をチェックする習慣をつけてみましょう。舌の色（赤すぎる、白すぎる、紫っぽいなど）、舌苔（舌の上の白い苔）の厚さや色、舌の形などに変化がないか、日頃から意識してみることで、体調の変化に気づくきっかけになるかもしれません。ただし、自己判断はせず、気になる変化があれば医師に相談することが重要です。
• 定期的な健康診断の重要性を再認識：研究結果が示すように、年齢、BMI、血糖値、コレステロール値、肝機能、腎機能など、多くの血液検査項目が心臓病のリスクと関連しています。これらは定期的な健康診断でチェックできる項目です。自身の健康状態を把握し、異常があれば早期に医療機関を受診しましょう。
• 生活習慣病の予防を徹底する：心臓病のリスクは、肥満、高血糖、脂質異常症、高血圧といった生活習慣病と密接に関わっています。バランスの取れた食事、適度な運動、禁煙、節度ある飲酒を心がけ、健康的な生活習慣を維持することが、心臓病予防の基本です。
• AI医療の進化に注目する：今回の研究のように、AIが非侵襲的な情報（舌の画像など）と従来の医療データを組み合わせて病気のリスクを予測する技術は、今後ますます発展していくでしょう。将来的に、スマートフォンで舌の写真を撮るだけで、手軽に健康リスクをチェックできるような時代が来るかもしれません。
• 医師とのコミュニケーションを大切に：もし心臓病や動脈硬化のリスクについて不安がある場合は、かかりつけ医や専門医に相談しましょう。自身の健康状態やライフスタイルについて正確に伝え、適切なアドバイスや治療を受けることが大切です。

🚧研究の限界と今後の課題

この研究は画期的な成果をもたらしましたが、いくつかの限界と今後の課題も指摘されています。

• 独立した予測価値と臨床的実用性のさらなる検証：舌の画像パラメータが、他の検査結果とは独立して、どれだけ正確にリスクを予測できるのか、また実際の医療現場でどれだけ実用性があるのかについては、さらなる検証が必要です。
• 大規模な前向き研究の必要性：今回の研究は過去のデータを分析する「後ろ向き研究」でした。今後、より多くの患者さんを対象に、時間を追ってデータを収集・分析する「前向き研究」を実施し、結果の信頼性を高める必要があります。
• 研究対象の限定性：今回の研究対象は冠動脈疾患を持つ患者さんに限定されていました。一般の人々や他の疾患を持つ人々にも同様の結果が得られるかについては、今後の研究で確認が必要です。
• AIモデルの最適化：LightGBMモデルは一定の予測性能を示しましたが、さらなるデータ収集やアルゴリズムの改良によって、より高い予測精度を目指すことが可能です。
• 舌の状態の標準化：舌の色や形は、食事や薬、口腔内の状態などによって一時的に変化することもあります。舌の画像を撮影する際の環境や条件を標準化し、客観性を高める工夫も必要となるでしょう。

✨まとめ

今回の研究は、心臓病のリスクとなる頸動脈の不安定プラークを、舌の観察と血液検査データ、そしてAIを組み合わせることで予測できる可能性を示しました。舌の画像パラメータが、非侵襲的で簡便な評価指標として、体内の病態生理学的状態を反映し、心臓病のリスク層別化に役立つかもしれないという、非常に興味深い発見です。

まだ研究の初期段階であり、実用化にはさらなる大規模な検証が必要ですが、このアプローチは、将来的に私たちがより手軽に、そして早期に心臓病のリスクを把握し、予防や治療に繋げるための新しい道を開くかもしれません。日々の健康管理に舌の観察を取り入れつつ、定期的な健康診断と健康的な生活習慣を心がけることが、何よりも大切です。未来の医療技術の発展に期待しつつ、私たち自身の健康意識を高めていきましょう。

🔗関連リンク集

• 日本循環器学会
• 国立循環器病研究センター
• 厚生労働省
• 日本動脈硬化学会
• PubMed (医学論文データベース)

書誌情報