電子カルテを活用してオミクス解析を強化する機械学習アプローチ

概要

COMETは大規模EHRで事前学習し、臨床情報とオミクスを融合する多モーダル転移学習フレームワークです。2つの独立データセットで従来法を上回る予測性能と生物学的洞察を示し、症例/対照の単純な二分法を超える精緻な患者層別化を可能にしました。

主要発見

• EHRとオミクスを早期・後期融合で統合する転移学習フレームワークCOMETを提示。
• 2つの独立データセットで、オミクス単独解析に比べ予測性能が向上。
• 生物学的発見が増強され、二分法を超えた精緻な患者分類が可能に。

臨床的意義

臨床試験ではないものの、EHR連結コホートを活用して周術期のバイオマーカー同定やリスク層別化（せん妄、疼痛表現型、急性腎障害など）を加速しうる点で、臨床実装に近い研究を推進します。

限界

• コホート規模やコード/データの公開状況が抄録からは不明。
• 臨床的有用性には前向き検証と臨床ワークフローへの統合が必要。

今後の方向性

周術期レジストリにCOMETを組み込み、バイオマーカー検証と意思決定支援を前向きに評価。外科/麻酔領域全般での広範なベンチマークを推進。