PREVENTリスク計算ツール：心血管疾患リスク評価におけるパラダイムシフトの包括的分析

毎度定型文ですが、本文はGoogle Gemini pro2.5 Deep Researchにて生成した内容です😋

ご興味ある方は、出典付きですがハルシネーションの可能性も踏まえ、批判的吟味しながらご覧ください！

はじめに
第1章 PREVENTの創生：心血管リスク評価におけるパラダイムシフト
- 1.1 2013年プール化コホート方程式（PCE）の限界：変革の必然性
- 1.2 心血管・腎・代謝（CKM）症候群の出現
第2章 PREVENT方程式の解体：方法論と検証
- 2.1 導出・検証コホート：ビッグデータという基盤
- 2.2 統計的パフォーマンス：識別能とキャリブレーション
第3章比較分析：PREVENT 対プール化コホート方程式（PCE）
第4章人種の削除：公平性への前進か、格差の新たな源か
第5章再分類カスケード：PREVENTがスタチン・降圧薬治療適応に与える影響
第6章臨床統合と今後の展望
結論

はじめに

2023年に米国心臓協会（AHA）によって開発されたPREVENT（Predicting Risk of Cardiovascular Disease EVENTs）リスク計算ツールは、心血管疾患（CVD）の一次予防におけるリスク評価のあり方を根本的に変革する可能性を秘めた、画期的なツールです。本報告書は、PREVENTの科学的背景、方法論、臨床的意義、そしてそれに伴う論争について、多角的な視点から詳細に分析するものです。

PREVENTは、2013年に発表された従来のプール化コホート方程式（PCE）が抱えていた、古いデータセットに基づくリスクの過大評価や、心不全（HF）リスクの欠如といった限界を克服するために開発されました。その最大の特徴は、心血管疾患、腎臓病、代謝性疾患（2型糖尿病、肥満など）の密接な関連性を包括的に捉える「心血管・腎・代謝（CKM）症候群」という新しい概念的枠組みを臨床的に実装した点にあります。これにより、PREVENTは腎機能（eGFR）や代謝マーカー（BMI、HbA1cなど）を評価に組み込み、より全体的な健康状態に基づいたリスク予測を可能にしました。

技術的には、660万人以上の現代的かつ多様な集団のデータに基づいて開発・検証されており、特に予測値と実測値の一致度を示す「キャリブレーション（較正）」において、PCEを大幅に上回る精度を達成しています。また、予測対象をアテローム性動脈硬化性心血管疾患（ASCVD）だけでなく心不全にも拡大し、評価可能年齢を30歳に引き下げ、30年間の長期リスク予測を導入したことで、より早期からの予防介入を促進することが期待されます。

PREVENTがもたらした最も大きな変化の一つは、人種を生物学的因子ではなく社会的な構成要素とみなし、計算式から除外したことです。これは、人種に基づく医療格差の是正を目指す重要な一歩ですが、同時に、人種差別が健康に与える複雑な影響を十分に捉えきれず、結果的に一部の集団のリスクを過小評価するのではないかという懸念も生んでいます。

さらに、PREVENTによるリスク評価は、PCEと比較して多くの人々をより低いリスクカテゴリーに再分類することが示されています。現行の治療ガイドライン（例：10年ASCVDリスク7.5%以上でスタチン治療を考慮）をそのまま適用した場合、数百万人が予防的薬物療法の対象外となる可能性が指摘されており、これは「スタチン論争」として大きな注目を集めています。ただし、専門家は、将来的にPREVENT専用の新たな治療閾値が設定されることを想定しており、この問題はガイドラインの改訂によって解決されるべきものとされています。

結論として、PREVENTは単なる計算ツールのアップデートではなく、CVDリスク評価のパラダイムを転換させるものです。その優れた精度と包括的なアプローチは、より個別化された予防医療の実現に貢献する一方、人種の問題や治療適応の再定義といった重要な課題を臨床現場に提示しています。本ツールが臨床ガイドラインに正式に統合され、その真価が発揮されるためには、継続的な検証と専門家コミュニティにおける深い議論が不可欠です。

第1章 PREVENTの創生：心血管リスク評価におけるパラダイムシフト

PREVENTリスク計算ツールの登場は、単なる既存ツールの改良ではなく、心血管疾患リスクを捉える概念そのものの転換を意味します。この変革の背景には、従来の評価手法であった2013年のプール化コホート方程式（PCE）が抱える構造的な限界と、心血管・腎・代謝（CKM）症候群という新たな疾患概念の台頭がありました。

1.1 2013年プール化コホート方程式（PCE）の限界：変革の必然性

PCEは長年にわたり米国の一次予防ガイドラインの中核を担ってきましたが、その有用性にはいくつかの重大な制約が指摘されていました 1。

データセットの旧態性と多様性の欠如: PCEの基盤となったデータは、1960年代から1990年代にかけて実施された研究コホートに由来するものでした 1。このデータは、現代の多様な米国人口の実態を正確に反映しておらず、特にヒスパニック系やアジア系成人といった集団が十分に代表されていませんでした 3。モデル自体が、主に非ヒスパニック白人と黒人のみを対象として開発されていたため、他の人種・民族グループにおけるリスクを正確に推定できていなかった可能性があります 5。
リスクの過大評価: PCEの最も深刻な批判点の一つは、アテローム性動脈硬化性心血管疾患（ASCVD）の10年リスクを一貫して過大評価する傾向があることでした 3。複数の検証研究によりこの問題は繰り返し確認されており、ある分析では、PCEのリスク予測値は観測されたリスクの約2倍に達し、キャリブレーション（較正）の傾きが理想値の1.0に対し0.5程度と、著しく精度を欠いていることが示されました 6。この過大評価は、患者に不必要な不安を与え、過剰な薬物療法につながる危険性をはらんでいました。
不完全なアウトカム評価: PCEが予測するアウトカムは、心筋梗塞や脳卒中といったASCVDに限定されていました 1。しかし、臨床現場では心不全（HF）の有病率とそれに伴う医療負担が年々増大しており、これもまた重大な心血管イベントであるにもかかわらず、PCEの評価対象からは除外されていました 9。これにより、CVD全体の負荷を捉えきれないという問題が生じていました。

1.2 心血管・腎・代謝（CKM）症候群の出現

PREVENT開発の背後にある最も重要な理論的支柱が、心血管・腎・代謝（CKM）症候群という新しい概念です。2023年10月にAHAによって正式に定義されたこの症候群は、心血管疾患、慢性腎臓病、2型糖尿病、肥満といった疾患が、それぞれ独立したものではなく、深く相互に関連し合う一連の病態生理学的スペクトラムを形成するという考え方に基づいています 5。

新たな概念的枠組み: CKM症候群は、これらの疾患群を一つの連続体として捉え、共通の基盤を持つ全身性の病態として認識します。これにより、従来のリスク因子ごとの個別対応から、患者の代謝健康状態を全体的に評価するアプローチへの転換が促されます。
ステージ分類と進行: CKM症候群は、理想的な健康状態であるステージ0から、すでにCVDを発症しているステージ4まで、進行度に応じたステージ分類が定義されています 5。ステージが進行するごとに心筋梗塞、脳卒中、心不全のリスクは段階的に増加し、この分類は予防介入のタイミングと強度を決定するための新たな指針となります。
CKMを実装するツールとしてのPREVENT: PREVENTは、このCKMの概念を臨床現場で具体的に評価するために設計された、史上初の統合的リスク計算ツールです 5。その設計思想は、CKMの主要構成要素を評価指標に直接組み込むことに現れています。必須項目として推定糸球体濾過量（
eGFR）を、オプション項目としてヘモグロビンA1c（HbA1c）や尿中アルブミン/クレアチニン比（UACR）を含めることで、心臓だけでなく腎臓と代謝の健康状態を統合的に評価し、CKM症候群の考え方をリスクスコアに反映させています 9。

この二つの側面、すなわちPCEの統計的・臨床的限界と、CKM症候群という新しい疾患哲学の登場が、PREVENTの創生を必然的なものとしました。PREVENTは単にPCEの欠点を修正するだけでなく、リスク評価の焦点を、コレステロールや血圧中心のモデルから、複数の臓器システムが連関するCKMという、より包括的で現代的な視点へと移行させるパラダイムシフトを体現しているのです。

第2章 PREVENT方程式の解体：方法論と検証

PREVENT方程式の信頼性は、その開発に用いられた膨大なデータと厳密な統計学的検証に基づいています。その精度と正確性の主張を理解するためには、開発の基盤となったデータコホート、統計的手法、そしてパフォーマンス指標を技術的に分析することが不可欠です。

2.1 導出・検証コホート：ビッグデータという基盤

PREVENT方程式は、これまでのリスクモデルとは比較にならないほど大規模かつ多様なデータセットを基に構築されました。

巨大かつ多様なデータセット: 方程式の導出（derivation）には、25のデータセットから集められた320万人以上の個票データが用いられました 9。さらに、外部検証（external validation）は、それとは別の21のデータセットに含まれる330万人以上の成人を対象に実施されました 9。合計すると660万人を超える膨大なサンプルサイズとなり、人種、民族、社会経済的背景、地理的分布において高い多様性を確保しています 13。
現代的かつ実臨床データ: PCEが1990年代以前の古い研究コホートに依存していたのとは対照的に、PREVENTは1992年から2017年にかけての現代的なデータを使用しています 9。さらに重要なのは、従来の前向きコホート研究のデータだけでなく、実臨床の現場で収集された電子カルテ（EHR）のデータも統合している点です 1。これにより、研究参加者という限定的な集団だけでなく、日常的に医療機関を受診する多様な患者集団への適用可能性（generalizability）が大幅に向上しています。

2.2 統計的パフォーマンス：識別能とキャリブレーション

モデルの性能は、主に「識別能」と「キャリブレーション」という二つの指標で評価されます。

識別能（Discrimination）: これは、将来イベントを発症する個人と発症しない個人を、モデルがどの程度正しく区別できるかを示す能力です。一般的にHarrellのC統計量（C-statistic）で評価されます。PREVENTの外部検証におけるCVD総発症予測のC統計量の中央値は、女性で0.794、男性で0.757と良好な値を示しました 10。これはPCEと比較して統計学的に有意な、わずかな改善に相当します 14。
キャリブレーション（Calibration、較正）: これは、モデルが予測したイベント発生確率と、実際に観測されたイベント発生率がどの程度一致しているかを示す指標です。理想的なモデルでは、予測値と観測値の関係を示すグラフの傾きが1.0に近くなります。PREVENTはこのキャリブレーションにおいて卓越した性能を示し、傾きは女性で1.03、男性で0.94と、ほぼ理想的な値でした 15。これは、リスクを約50%も過大評価し、傾きが0.5程度であったPCEの重大な欠陥を克服した、決定的な技術的進歩です 7。臨床医にとって、この改善は極めて重要です。なぜなら、よく較正されたツールは、患者一人ひとりの絶対リスク（例：「あなたの10年リスクは6%です」）をより現実的に提示できるため、共同意思決定（shared decision-making）の質の高い基盤となるからです。
追加モデルの性能: CKM関連マーカー（HbA1c、UACR）や社会的因子（社会的不利指数、SDI）を基本モデルに加えた場合、識別能（C統計量）の改善は統計学的に有意であるものの、その幅は0.004～0.005程度とごくわずかでした 7。しかし、この結果はこれらのマーカーの重要性を否定するものではありません。特に、
UACRを追加した場合、顕性アルブミン尿を呈するような腎機能障害を持つ患者群において、キャリブレーションが著しく改善することが示されました 15。この事実は、これらの追加マーカーが一般集団全体のスクリーニング能力を飛躍的に向上させるものではなく、むしろ糖尿病や腎臓病を持つ特定の高リスクサブグループにおいて、リスク評価の精度を微調整（fine-tuning）するための重要なツールであることを示唆しています。これは、リスク評価における段階的なアプローチの妥当性を裏付けるものです。

結論として、PREVENTの統計的な強みは、識別能のわずかな向上以上に、キャリブレーションの劇的な改善にあります。これにより、PCEが抱えていた「リスクの過大評価」という根源的な問題が解決され、臨床現場でより信頼性の高い絶対リスク推定値を提供できるようになったのです。

第3章比較分析：PREVENT 対プール化コホート方程式（PCE）

PREVENTが臨床現場にもたらす変化を理解するためには、従来の標準であったPCEとの違いを明確に比較することが不可欠です。このセクションでは、二つの計算ツールの構造的、機能的な差異を体系的に整理し、臨床医と患者にとっての具体的な変更点を明らかにします。

3.1 中核となる構造的差異

PREVENTは、PCEからいくつかの根本的な点で進化しています。

対象集団: PREVENTはリスク評価の対象年齢を30歳から79歳まで拡大しました 1。PCEが40歳から79歳を対象としていたのに比べ、より若い年齢からのリスク評価と対話を可能にします。
予測アウトカム: PREVENTが予測するのは心血管疾患（CVD）総発症であり、これは従来のASCVD（心筋梗塞、脳卒中）に**心不全（HF）**を加えた複合アウトカムです 5。PCEはASCVDのみを予測対象としていました 1。
リスク期間: PREVENTは、30歳から79歳に対して10年リスクを、30歳から59歳に対して30年リスクを提供します 5。この長期的な視点は、10年リスクは低くても生涯にわたるリスクが高い若年成人に対し、早期の生活習慣改善を促す上で特に価値があります 1。
モデリングアプローチ: PREVENTは**性別特異的（sex-specific）**な方程式を用いますが、**人種フリー（race-free）**のモデルを採用しています 5。一方、PCEは性別と人種（黒人と白人）の両方に特化した方程式を使用していました 2。

3.2 入力変数の比較

リスク計算に必要な入力項目にも重要な変更が加えられました。

新たな必須入力項目: PREVENTの基本モデルでは、従来の因子（年齢、性別、総コレステロール、HDLコレステロール、収縮期血圧、喫煙状況、糖尿病の有無、降圧薬・脂質低下薬の使用）に加えて、**ボディマス指数（BMI）と推定糸球体濾過量（eGFR）**が必須項目として追加されました 14。
新たなオプション入力項目: PREVENTは、CKM健康状態と社会的決定要因をより精密に評価するため、オプションの「追加モデル」を導入しました。これにより、ヘモグロビンA1c（HbA1c）、尿中アルブミン/クレアチニン比（UACR）、そして患者の郵便番号から導出される**社会的不利指数（Social Deprivation Index, SDI）**をリスク計算に含めることが可能になりました 9。
削除された入力項目: 最も大きな変更点は、直接的な入力変数としての人種の削除です 5。

3.3 PREVENTとPCEの主要な相違点

特徴	プール化コホート方程式（PCE）（2013年）	PREVENT方程式（2023年）
開発年	2013年	2023年
対象年齢	40～79歳 1	30～79歳 5
予測アウトカム	ASCVD（心筋梗塞、脳卒中） 2	総CVD（ASCVD + 心不全） 5
リスク期間	10年リスク、生涯リスク 2	10年リスク（30～79歳）、30年リスク（30～59歳） 5
必須入力項目	年齢、性別、人種、コレステロール値、血圧、糖尿病、喫煙、降圧薬使用 2	年齢、性別、コレステロール値、血圧、糖尿病、喫煙、降圧薬・スタチン使用、BMI、eGFR 18
オプション入力項目	なし（リスク増強因子として別途考慮） 2	HbA1c、UACR、社会的不利指数（SDI） 9
人種変数	計算式に組み込み（白人/黒人） 2	計算式から除外（人種フリー） 5
CKM統合	間接的（腎臓病などをリスク増強因子として考慮） 2	直接的（eGFR、BMIを必須項目、オプションでHbA1c、UACRを組み込み） 9
キャリブレーション	不良（リスクを大幅に過大評価） 7	良好（予測値と観測値がよく一致） 15

3.4 比較から得られる示唆

この比較から、いくつかの重要な点が浮かび上がります。第一に、30年リスクの導入は、単なる機能追加以上の戦略的な意味を持ちます。専門家が指摘するように、多くの若年成人の10年リスクは一見すると低く、予防行動への動機付けが困難でした 11。しかし、30年という長期的な視点を提供することで、例えば35歳で10年リスクが2%と安心できる数値であっても、30年リスクが25%と警告的な数値を示すことが可能になります。これは、患者との対話の質を変え、CKM症候群の概念に沿った早期段階での介入を促す強力なツールとなります 1。

第二に、PREVENTの出力結果には注意すべき複雑さが存在します。AHAの公式情報によると、ASCVDのリスクとHFのリスクはそれぞれ別のモデルで計算されるため、両者のリスクの単純な合計が、総CVDリスクよりも大きくなる場合があります 19。これは計算式の欠陥ではなく、各イベントが互いに競合するリスクであることを考慮したモデリングの結果です。臨床医はこの特性を理解し、患者への説明の際に混乱を避ける必要があります。この事実は、PREVENTが単一の方程式ではなく、相互に関連する一連の方程式群（a suite of equations）であることを示しています。

第4章人種の削除：公平性への前進か、格差の新たな源か

PREVENTの設計における最も議論を呼ぶ変更点の一つが、「人種フリー」モデルの採用です。これは、医療における人種の使用に関する長年の議論を反映したものであり、その科学的根拠、意図された利益、そして潜在的な負の帰結について、慎重かつバランスの取れた分析が求められます。

4.1 その論理的根拠：社会構成物としての人種

AHAの公式見解: AHAは、人種を計算式から除外した理由として、人種が生物学的な因子ではなく、リスクを予測するための妥当な変数ではない社会的な構成物（social construct）であるという見解を明確に示しています 5。公式声明では、CVDリスクを増大させるのは人種そのものではなく、人種差別（racism）が社会の様々なレベルで作用した結果であると認められています 5。
医学的ステレオタイプの回避: アルゴリズムに人種を組み込むことは、人種自体が疾患の生物学的な原因であるかのような誤解を助長し、有害なステレオタイプを永続させる可能性があります 20。その結果、観察される健康格差の根本的なメカニズムを探求する代わりに、人種に基づいた画一的な治療判断につながる危険性がありました 23。PREVENTの目的は、こうした傾向を是正し、格差の真の原因に目を向けることにあります。

4.2 代替アプローチ：社会的健康決定要因（SDOH）の組み込み

人種という不正確な代理指標の代わりに、PREVENTはリスクに影響を与える環境的・社会的要因を直接的に捉えようと試みています。

社会的不利指数（Social Deprivation Index, SDI）: 人種ではなく「場所（place）」に基づいてリスクを評価するという思想のもと、PREVENTはオプションモデルとして、患者の郵便番号に基づいたSDIを導入しました 9。SDIは、地域レベルの貧困、教育、雇用、住環境などの指標を統合したものであり、社会経済的な不利が健康に与える影響を定量化する試みです。
人種差別の影響の捕捉: このアプローチの根底にある仮説は、構造的な人種差別（例：居住地域の分離、健康的な食品へのアクセスの欠如、慢性的なストレスなど）が健康に及ぼす負の影響は、人種という一つのカテゴリーよりも、SDIのような場所に基づく指標や、その結果として生じる血圧、コレステロール、eGFRといった下流の生物学的マーカーによって、より適切に捉えられるというものです 22。

4.3 その影響と進行中の議論

人種を削除するという決定は、臨床現場に複雑な影響を及ぼします。

人種・民族グループ横断的な精度: AHAは、検証の結果、人種フリーのPREVENT計算ツールは、サンプルに含まれるすべての人種・民族グループにおいて正確であったと報告しています 22。多民族からなる退役軍人の大規模コホートを用いた独立した検証でも、PREVENTはPCEよりも優れたキャリブレーションを示し、その性能は民族グループ間で一貫していました 8。別の研究でも、PREVENTはPCEよりも優れた絶対リスク予測性能を様々なグループで示したと結論付けられています 6。
黒人個人のリスクスコア低下: PCEは黒人個人に対してリスクを上乗せする係数を含んでいたため、計算式から人種を削除すると、多くの黒人患者のリスクスコアはPCEで計算した場合よりも必然的に低くなります 16。
核心的な懸念: ここでの中心的な問いは、人種を削除し、SDOHのような代理指標に置き換えることで、黒人患者が経験するリスクを過小評価してしまうのではないか、という点です。黒人集団で観察される高いCVDリスクは、郵便番号や標準的なバイオマーカーだけでは完全には捉えきれない、世代を超えた構造的人種差別の影響を強く受けています。その結果、現行のガイドラインの下では、彼らが予防的薬物療法の対象から外れやすくなり、皮肉にも健康格差を拡大させてしまうという意図せざる結果を招く可能性が懸念されています 16。

この議論は、現代医療が直面する根源的な緊張関係を浮き彫りにします。それは、人種に基づく健康格差の存在を認めつつ、人種を生物学的な概念として固定化・再生産することをいかにして避けるか、というジレンマです。PCEの解決策は、観察された格差を「人種係数」として数式に組み込むことでした 17。PREVENTが採用した新しい哲学は、それが科学的にも倫理的にも不適切であるという認識に基づいています 20。この緊張関係が生じるのは、代替案として提示されたSDOHや臨床マーカーが、人種差別の複雑で多面的な影響を捉えるための不完全な代理指標（imperfect proxy）である可能性があるためです。したがって、この論争は格差の有無を問うものではなく、予測アルゴリズムにおいてその格差を最も公平かつ科学的に妥当な方法で説明するのはどちらか、という方法論を巡るものです。

最終的にこの議論は、いかなるアルゴリズムも患者の「生きてきた経験（lived experience）」の全体像を捉えることには限界があるという事実を強調します。専門家たちは、リスクスコアはあくまでも、患者の個別性を深く掘り下げる臨床的な対話の出発点に過ぎないと繰り返し述べています 3。PREVENTの開発者自身も、米国における有色人種の経験をより良く代表するマーカーを見つけるためには、さらなる研究が必要であると認めています 22。これは、SDIを備えたPREVENTのような先進的なツールでさえ、個人の完全なリスクを評価するには不十分であり、家族歴や生活習慣といった計算式に含まれない要素を考慮する、臨床医の総合的な判断が不可欠であることを示唆しています。

第5章再分類カスケード：PREVENTがスタチン・降圧薬治療適応に与える影響

PREVENTの導入がもたらす最も直接的かつ論争的な影響は、現行の治療ガイドラインが改訂されない場合に、予防的薬物療法の適応となる患者層を劇的に変化させる可能性です。この現象は「再分類カスケード」とも呼ばれ、臨床現場と公衆衛生に重大な示唆を与えます。

5.1 リスク評価の下方シフト

大規模な再分類: JAMA誌に掲載された著名な研究を含む複数の独立した分析は、PREVENTがPCEと比較して、米国人口のかなりの部分をより低いリスクカテゴリーに再分類することを示唆しています 4。米国の成人の約半数がより低いリスクカテゴリーに分類される一方、より高いカテゴリーに移動する人は0.5%未満とごくわずかでした 16。
シフトの規模: 米国国民健康栄養調査（NHANES）のデータを分析したある研究では、40歳から75歳の成人の平均10年ASCVDリスクが、PCEでは8.0%であったのに対し、PREVENTでは4.3%にまで低下したことが報告されています 24。この低下は特に黒人成人で顕著で、平均リスクは10.9%から5.1%へと大幅に減少しました 24。

5.2 治療適応への予測される影響

このリスク評価の下方シフトは、治療適応の判断に直接的な影響を及ぼします。

スタチン治療の非適応化: 2019年の一次予防ガイドラインが推奨するスタチン開始の閾値（10年ASCVDリスク ≥7.5%）をPREVENTのリスクスコアに適用した場合、米国で推定1,400万人から1,730万人の成人がスタチン療法の対象外となると予測されています 3。この中には、現在すでにスタチンを服用している推定410万人が含まれます 24。
降圧薬治療の非適応化: 同様に、推定260万人の成人が降圧薬治療の閾値を下回ることになるとされています 4。
「トレードオフ」：潜在的な害と利益:

潜在的な害: この予防療法の縮小は、今後10年間で推定10万7,000件の追加のASCVDイベント（心筋梗塞および脳卒中）を引き起こす可能性があると予測されています 4。
潜在的な利益: その一方で、スタチンの既知の副作用である新規発症糖尿病の症例を推定5万8,000件減少させ、過剰治療に伴うコストやその他の副作用を回避できるという利益も指摘されています 4。

5.3 決定的に重要な注意点：将来のガイドラインの役割

この「スタチン論争」全体は、一つの重要な仮定に基づいています。それは、古い治療閾値（例：リスク≥7.5%）を新しい計算ツールに適用するという、あくまで仮説的なシナリオであるという点です。

専門家のコンセンサス: PREVENTの主任開発者であるSadiya Khan医師を含む専門家は、このような使い方は意図されたものではないと繰り返し強調しています 3。将来改訂されるACC/AHAのガイドラインでは、PREVENTのスコアに対応した
新たな、PREVENT専用のリスク閾値が定義されることが広く期待されています 4。
真の目標: PREVENT導入の目標は、治療対象者を減らすことではなく、治療から最も利益を得られる適切な人々をより正確に特定することです 4。PREVENTのようなより良く較正されたツールは、より低いリスク閾値での治療開始を正当化する可能性さえあります。そうなれば、予測される治療適応者の減少は緩和されるか、あるいは逆転することさえあり得ます。

この一連の論争は、PREVENTの精度そのものへの批判ではなく、リスク評価ツールと治療ガイドラインがいかに密接に相互依存しているかを示す強力な事例となっています。PREVENTはPCEよりも優れたキャリブレーションを持つ、より正確なツールであることがデータで示されています 7。問題は、このより正確な数値を、精度の低いツールに合わせて作られた古いルール（ガイドライン）に当てはめることで生じる不一致にあります。これは、予防医療という方程式の一方（リスク評価）を変更する際には、もう一方（治療閾値）も再検討する必要があるという、臨床実践における重要な手続き上の課題を浮き彫りにしています。

さらにこの論争は、10万7,000件の心血管イベント増加と5万8,000件の糖尿病減少というトレードオフを提示することで 4、集団レベルの予防医療におけるリスク許容度と正味の利益（net benefit）に関する、避けては通れない公衆衛生上の対話を促しています。

現在、PREVENTが公開され臨床医によって使用され始めている一方で 16、公式ガイドラインは依然としてPCEを推奨しているというギャップが存在します 1。この過渡期は、臨床医にとって「現行ガイドラインに準拠した古いツールを使うか、より正確だがガイドラインと矛盾する可能性のある新しいツールを使うか」というジレンマを生み出しており、一部の専門家は、現在の曖昧な状況を鑑み、両方のツールを用いてリスクの範囲を患者に提示することを提案しています 24。

第6章臨床統合と今後の展望

PREVENTがその真価を発揮するためには、臨床現場へのスムーズな統合、他の臨床マーカーとの関連性の検証、そして新しい標準治療としての地位確立が不可欠です。この最終セクションでは、PREVENTの具体的な臨床応用、独立した検証研究の結果、そして今後のガイドラインへの採用に向けた道筋について考察します。

6.1 臨床実践におけるPREVENTの活用：共同意思決定のためのツール

意図された使用法: AHAは、PREVENTが既知のCVDを持たない一次予防の患者を対象とし、生活習慣の改善や薬物療法の是非に関する臨床医と患者の共同意思決定（shared decision-making）を支援するためのツールであると明記しています 19。
リスク層別化の解釈: このツールは、患者をリスクカテゴリー（例：低リスク <5%、境界域リスク 5-7.4%、中等度リスク 7.5-19.9%、高リスク ≥20%）に層別化するのに役立ちます 21。この層別化は、低リスク者への生活習慣指導から、高リスク者への即時の薬物療法に関する対話まで、介入の強度を決定するための指針となります 1。
臨床的判断の優位性: 専門家は一貫して、いかなるリスクスコアもあくまで出発点に過ぎないと強調しています。臨床医は、算出されたリスクスコアを、家族歴、慢性炎症性疾患、患者の価値観や意向といった、計算式には含まれない「リスク増強因子」と統合し、最終的で個別化された推奨を行う必要があります 2。

6.2 独立した検証と他のマーカーとの相関

PREVENTの臨床的妥当性は、複数の独立した研究によって検証されています。

冠動脈石灰化（CAC）スコアとの相関: PREVENTの妥当性を裏付ける重要な検証研究の一つに、CACスコアとの関連性を調べたものがあります。この研究では、PREVENTスコアが高い患者は、有意な潜在的アテローム性動脈硬化プラークの存在を示す高いCACスコア（例：CAC > 100）を持つ傾向があることが示されました 27。この結果は、PREVENTが統計的な予測だけでなく、実際にプラーク蓄積が進行している個人を正確に特定できるという信頼性を高めます。リスク計算ツールが予測する将来のイベントリスクと、CACスキャンが直接可視化する既存の病理（プラーク）とが一致するという事実は、統計モデルと根底にある病態生理学との間に強力な物理的リンクを提供し、純粋な統計モデルに懐疑的な臨床医にとって極めて説得力のあるエビデンスとなります。
多様な実臨床集団における検証:

米国退役軍人: 主に男性からなる米国の退役軍人を対象とした大規模研究では、PREVENTがPCEの不十分なキャリブレーションを克服し、複数の民族グループにわたって良好なキャリブレーションを示すことが確認されました 8。
NHANES集団: 米国国民健康栄養調査（NHANES）のデータを用いた外部検証では、PREVENTが10年CVD死亡リスクに対して優れた識別能を示し、PCEよりも有意に優れた性能を持つことが報告されました 28。
統合医療システム: 大規模で多様な統合医療システムにおける研究では、PREVENTがPCEよりも優れた絶対リスク予測を示し、特に男性と非ヒスパニック黒人成人において識別能のわずかな改善が見られました 6。

6.3 今後の道筋：ガイドラインへの採用と継続的な研究

予測されるガイドラインの更新: ACC/AHAの次期一次予防ガイドラインでは、PREVENT方程式が正式に組み込まれ、それに対応する新たな治療開始のためのリスク閾値が設定されることが広く期待されています 26。
継続的な検証: AHAおよび他の研究グループは、その精度と有用性をさらに高めるため、多様な集団におけるPREVENTのテストと検証を継続しています 27。
進化するリスク評価の展望: PREVENTは、欧州のSCORE2計算ツールなどとともに、リスク評価の広範な進化の一部です 18。今後の研究では、リポタンパク(a)（
Lp(a)）や高感度CRP（hsCRP）といった新規バイオマーカーや、画像診断技術を統合し、リスク予測をさらに個別化する方向へと進むでしょう 14。

これらの動向は、一次予防の未来が、段階的な（tiered）アプローチへと向かうことを示唆しています。すなわち、PREVENTが全般的なリスク評価の第一歩となり、中等度リスクのような「グレーゾーン」に位置する患者に対しては、CACスキャンや詳細な脂質パネル検査といった第二段階の評価を用いて、治療介入の決定をさらに精密化する、という流れです。単一の計算ツールから得られる一つの数値に依存する時代は終わりを告げ、より動的で個別化されたリスク評価プロセスが標準となる未来がすぐそこまで来ています。

結論

米国心臓協会（AHA）が開発したPREVENTリスク計算ツールは、心血管疾患（CVD）の一次予防におけるリスク評価の領域において、単なる技術的アップデートを超えた、根本的なパラダイムシフトを提示するものです。本報告書で詳述したように、PREVENTは従来のプール化コホート方程式（PCE）が抱えていたデータセットの旧態性、リスクの過大評価、心不全（HF）の欠如といった複数の課題に対応するために設計されました。

その中核には、心血管・腎・代謝（CKM）症候群という包括的な疾患概念があり、腎機能や代謝状態を評価に組み込むことで、より全体的かつ現代的なリスク評価を実現しています。660万人を超える大規模かつ多様なデータに基づく開発と検証は、特にキャリブレーション（較正）においてPCEを凌駕する優れた精度を保証し、臨床現場でより信頼性の高い絶対リスク推定を可能にします。30歳からの評価や30年リスクの導入は、若年層への早期介入を促進する上で大きな可能性を秘めています。

一方で、PREVENTの導入は、臨床および倫理における重要な問いを投げかけています。計算式から人種を削除するという決定は、人種を社会的な構成物と捉え、医療における公平性を推進する意欲的な試みですが、人種差別の複雑な影響を過小評価し、結果的に健康格差を助長しかねないという重大な懸念も伴います。さらに、PREVENTによるリスク評価の下方シフトは、現行ガイドラインの下では数百万人が予防的薬物療法の対象外となる可能性を示唆しており、これは「スタチン論争」として知られる喫緊の課題となっています。

これらの課題は、PREVENTが欠陥品であることを意味するのではなく、リスク評価ツールと治療ガイドラインが不可分であることを示しています。PREVENTの真価は、将来的にACC/AHAガイドラインが改訂され、本ツールに最適化された新たなリスク閾値が設定されたときに初めて発揮されるでしょう。その過程で、臨床医、研究者、政策立案者は、リスク許容度、治療の正味の利益、そして健康の社会的決定要因をいかに臨床アルゴリズムに組み込むかという、より根源的な議論に取り組む必要があります。

結論として、PREVENTはCVD予防における強力で、より精密な新時代のツールです。しかし、それは万能の解決策ではなく、臨床的判断、患者との対話、そして継続的な科学的検証と社会的議論を通じて、その価値を最大化していくべきものです。今後の臨床統合とガイドラインへの反映が、次世代の心血管疾患予防の方向性を決定づける上で極めて重要なステップとなることは間違いありません。