てんかん外科×AIと薬剤反応予測【2026年版】
試行錯誤を縮める可能性はある。
だが性能は中等度で外部検証では低下。データの質と専門家の判断が鍵です。
てんかん診療には、結果が読めない2つの分岐点があります。①最初の薬が効くか ②薬剤抵抗性なら、手術で治るか。
どちらも今は「やってみないと分からない」。だからこそ、事前に予測できればという期待が、AIに寄せられています。
抗発作薬の選択は、依然として trial-and-error が基本です。多くの患者さんが、効かない薬を順番に試すことになります。
正しい薬にたどり着くまで、発作も副作用も続いてしまう。「最初から効く薬を選べないか」——これが薬剤反応予測の動機です。
深層学習が初回抗発作薬の奏効を予測（4か国・約1800例）
Hakeem 2022 JAMA Neurol（transformerモデル）
AUROC 0.65。同じデータの中ではそれなりに当たる
AUROC 0.52〜0.60に低下。別集団では精度が落ちる
| 入力データ | 薬剤反応の予測（AUROC） |
|---|---|
| 臨床情報のみ | 0.69 |
| 定量脳波のみ | 0.68 |
| 臨床＋定量脳波 | 0.81 |
新規発症てんかんで、臨床と定量脳波を統合すると精度が向上（Lee 2025・小規模・要外部検証）
AIなら、どの研究でも薬の効きを高精度に当てている
37研究を統合すると、ほぼ完璧〜ランダム同然までばらつく。最大の限界はデータの質と量
02
PART 2
薬剤抵抗性てんかんの約3分の1に、切除手術が選択肢になります。しかし手術は、臨床・認知のリスクも伴います。
系統的レビューによれば、臨床で検証されたてんかん手術成績の予測モデルは、まだ存在しません。「AIが適応を決める」段階ではないのです。
| 術後発作消失の予測モデル | 正答率 |
|---|---|
| ロジスティック回帰（単純） | 72% |
| 多層パーセプトロン | 71% |
| XGBoost（複雑） | 71% |
小児797例。3モデルに有意差なし。N=2000まで増やしても改善は限定的（Eriksson 2023）
別施設のデータで検証すると、既報モデルの正答率は63%に低下しました。ここでも「外部検証の壁」が立ちはだかります。
必要なのは複雑なモデルや数千例の集積ではなく、適切な特徴選択・データの標準化・施設間の協調とモデル共有だと結論しています。
MRガイド下レーザー治療後の発作消失を、機械学習が13施設・AUC 0.67で予測。卵円孔電極など低侵襲な術前評価にも応用されています。
ロボット支援の頭蓋内電極（SEEG）留置や画像誘導など、AIは手術の計画・ナビゲーションにも組み込まれつつあります。
最新で複雑なモデルと、大量のデータがあれば解決する
複雑さも規模も決め手にならない。外部検証で落ち、鍵はデータの質・標準化・統合
現実的なAIの役割は、薬剤抵抗性を早期に見つけ、手術適応の検討を急ぐべき人に優先順位をつけること。
AIは適応も薬も最終決定はしません。専門家の判断を支え、より早く・より個別化された治療につなぐ補助ツールです。
脳波の自動判読・発作検出・病変検出は、補助として臨床に入りつつある。
薬の効き・手術成績・発作予測は、性能中等度で外部検証が課題。発展途上。
LLMは教育・抽出に光、診断・文献に影。監督下でのみ補助。
✚ 医知創造ラボ｜てんかん×AIシリーズ 完結
本動画は教育目的の解説です。診療判断は最新の規制・GLをご確認ください。
全6回、ご視聴ありがとうございました