胎児MRIとAIで早産を数値予測

英キングス・カレッジ・ロンドンを中心とする研究チームは、胎児MRIの形態・機能データを活用し、出生時在胎週数を予測する機械学習パイプラインを開発、査読前論文として公開した。333例の正常妊娠と93例の早産リスク症例を対象に検証し、正期産・早産の二値分類で精度77％、感度59％、特異度82％を達成した。

同パイプラインは、データ補完・特徴量選択・回帰モデルの三段階で構成される。予測に寄与した主要因子は子宮頸管長と胎盤のT2*値から導出される統計量であった。T2*値は胎盤の酸素化状態を反映する指標であり、臓器レベルの機能情報が在胎週数推定に有効であることを示す。平均絶対誤差は2.74週にとどまり、従来の分類アプローチと異なる連続値予測として早産研究に新たな評価軸を提示した。

ビジネス面での波及効果はまず医療機器・ヘルスケアIT業界に及ぶ。MRI装置メーカーおよび医用画像解析ソフトウェアベンダーにとって、本手法は周産期向け付加価値モジュールの開発機会となる。特に国内では少子化対策として周産期医療への公的投資が継続しており、高リスク妊娠の早期検出を自動化するSaaS型ソリューションは産婦人科クリニックおよび総合周産期母子医療センターへの導入余地が大きい。KPI指標としては、早産による新生児集中治療室（NICU）入室率の低減、在院日数短縮、および不必要な入院を回避することによるコスト削減率が挙げられる。

生命保険・医療保険業界においても活用可能性がある。引受審査部門が妊娠関連リスクを定量化する際、在胎週数の予測値を補助情報として組み込むことで、早産に伴う新生児医療費の損害率管理精度が向上しうる。早産児の医療費は正期産児と比較して数倍に達するとの報告もあり、リスク細分化によるプライシング精緻化は収益性改善に直結する。

製薬・バイオテクノロジー企業にとっては、早産予防薬や子宮収縮抑制薬の臨床試験設計への応用が考えられる。試験登録時に機械学習モデルによるリスクスコアで被験者を層別化することで、プラセボ群と治療群の均質性が高まり、試験の統計的検出力が向上する。開発コスト削減と承認取得期間の短縮につながる可能性がある。

一方、現時点での実用化には課題が残る。研究規模は426例と限定的であり、研究チーム自身が「概念実証」と位置付けている。感度59％は見逃しリスクの観点から医療現場での単独使用には不十分であり、既存の超音波検査や血液バイオマーカーとの組み合わせによるアンサンブル診断が現実的な導入形態となる。コードはオープンソースで公開されており、医療機関や企業が独自データで追加学習を行う基盤としての活用が想定される。

今後の研究ではコホート拡大による早産群内の細分類、すなわち自然早産・医原性早産・前期破水などのサブタイプ別予測精度の向上が計画されている。この方向性が実現すれば、介入の種類と時期をより精密に最適化する意思決定支援ツールへの発展が見込まれ、周産期医療のデジタル変革における中核技術の一つとなりうる。