医療におけるヒューリスティックな意思決定

ジュリアン・N・マレウスキー博士*（Julian N. Marewski, PhD
Julian N. Marewski, University of Lausanne, Lausanne, Switzerland;

ゲルト・ギゲレンツァー（Gerd Gigerenzer）マックス・プランク人間開発研究所（ドイツ、ベルリン）

概要

医学的な判断をする際には、情報が少ない方が役に立つのであろうか？情報が多ければ多いほど良いという一般的な直感に反して、ヒューリスティックスの使用は、医師と患者の両方が健全な意思決定をするのに役立つ。ヒューリスティックスとは、入手可能な情報の一部を無視し、少数の関連する予測因子のみに基づいて意思決定を行う単純な意思決定戦略である。我々は以下の点について議論する。本論文では、(1)医師や患者がヒューリスティックスをどのように利用するか、(2)医療診断において、ヒューリスティックスが回帰法などの情報消去法よりも優れている場合について述べる。さらに、ヒューリスティックが医療現場で有用であることを示す特徴を紹介する。さらに、ヒューリスティックの特徴として、驚くべき正確さ、透明性、広範な利用可能性、低コスト・短時間での利用が挙げられる。最後に、ヒューリスティックが正確であることの統計的な理由の一つを説明し、ヘルスケアにおけるヒューリスティックに関する今後の研究対象の一つとして精神医学を挙げて締めくくる。

キーワード：医学的意思決定，迅速かつ質素なヒューリスティクス，意思決定支援，バイアス，生態学的合理性，限定合理性

はじめに

ミシガン州の田舎の病院に、心配そうな妻に連れられて、中年の男性患者がやってきた。彼は深刻な胸の痛みに悩まされている。担当医の慈愛に満ちた女性は、急性虚血性心疾患を疑っているが、はっきりとはわからない。彼女はこの患者を通常の看護ベッドに移してモニタリングすべきであろうか？しかし、もし本当に急性虚血性心疾患であれば、すぐに冠動脈治療室に搬送する必要があるだろう。一方で、無闇に患者を治療室に送ることは、コストがかかるだけでなく、治療が必要な患者の治療の質を低下させ、そうでない患者は院内感染の危険にさらされることになる。

このような、医療現場における複雑な意思決定のジレンマを、人間はどのように解決するのかが、このレビュー記事の中心的なテーマである。上記のような緊急避難的な状況では、意思決定科学の異なる伝統に根ざした、さまざまなアプローチで問題に取り組むことができる。

まず第一に、すべての責任を医師に委ねるというものがある。しかし、実際に研究対象となったミシガン州の農村部の病院では、医師は重度の胸痛を訴える患者の90%を冠動脈治療室に送り込み、その結果、冠動脈治療室は過密状態となり、ケアの質は低下し、コストも上昇した。2つ目のアプローチは、複雑な問題を複雑なアルゴリズムで解決しようとするものである。これは、ミシガン大学の医学研究者のチームが行った方法である。

彼らは、心臓病予測装置を導入した。この装置は、約50の確率が記載されたチャートとロジスティック回帰で構成されており、医師はポケット計算機を使って、患者が冠動脈疾患治療室に入院すべき確率を計算することができる。しかし、ロジスティック回帰を理解している医師は少なく、研究者が退院した瞬間にチャートや電卓を捨ててしまう傾向にある。

3つ目のアプローチは、医師に効果的なヒューリスティック（発見的判断）を教えることである。ヒューリスティックとは、入手可能な情報の一部を無視して、少数の関連する予測因子に焦点を当てる単純な意思決定戦略である。GreenとMehr1は、このようなヒューリスティックな治療法を開発した。このいわゆるfast-and-frugal treeは、すべての確率を無視し、いくつかのyes-or-noの質問をするだけのものである（図1）。具体的には、患者の心電図にある異常が現れた場合（すなわち、STセグメントの変化)その患者は直ちに冠動脈治療室に送られる。それ以外の情報は考慮しない。異常がない場合は、第2の変数、すなわち、患者の主訴が胸痛であるかどうかが考慮される。異常がなければ、患者は低リスクと分類され、通常の看護ベッドに割り当てられる。ここでも追加情報は考慮されない。答えがイエスであれば、患者を分類するために3つ目の最後の質問が行われる。このような単純なヒューリスティックに従うことで、医師は適切な割り当て決定を行うことができるのであろうか？(図2).は、ミシガン州の病院での心臓発作を予測する能力における、3つのアプローチのパフォーマンスを示している。見てわかるように，ヒューリスティック・アプローチは，心臓病予測装置と医師の両方よりも，感度（正しく冠動脈治療室に割り当てられた患者の割合）が大きく，偽陽性率（誤って冠動脈治療室に割り当てられた患者の割合）が低いという結果になった。ヒューリスティックアプローチは，心臓病予測装置が使用した情報のほんの一部を考慮するだけで，このような驚くべきレベルの性能を達成したのである．

図1．患者を冠動脈疾患治療室と通常の看護ベッドのどちらに割り当てるべきかを決定するための簡単なヒューリスティックな手法

心電図にある種の異常（いわゆるSTセグメント）があれば、患者は直ちに冠動脈治療室に送られる。それ以外の場合は、患者の主訴が胸痛であるかどうかという第2の予測因子が考慮される。そうでない場合は、3つ目の質問をする。この3つ目の質問は複合的なもので、他の5つの予測因子のいずれかが存在するかどうかである。この種のヒューリスティックはfast-and-frugal treeとも呼ばれる。fast-and-frugal treeは、意思決定者が意思決定に到達する前に一連の連続したステップに従うことを想定している。略語の説明 NTG，ニトログリセリン，Ml，心筋梗塞，T，ピークまたは反転したT波。

図2　冠動脈疾患治療病棟の割り当てに関する決定ツリーの性能を、心臓病予測装置の性能および医師の判断と比較したもの

X軸は冠動脈疾患治療室に誤って割り当てられた患者の割合（偽陽性率)Y軸は冠動脈疾患治療室に正しく割り当てられた患者の割合（感度）を示す。対角線はチャンスレベル、対角線の左側の領域はベター・ザン・チャンスを表す。Heart Disease Predictive Instrumentの割り当て決定は、感度と偽陽性率をどのようにトレードオフするかによって決まることに注意してほしい。これが、この測定器で複数のデータポイントが示されている理由である。

合理性に関する見解：無制限の合理性と非合理性から生態学的合理性まで

何を診断するか、誰を治療するか、何を食べるか、どの株に投資するか……日々、決断の連続であるが、我々はどのように決断し、どのように決断すべきなのであろうか。意思決定科学に限らず、この2つの問いに対する答えは、人間の合理性に対する見方によって決まる。少なくとも3つの見方がある。

縛られない合理性：最適化

束縛されない合理性の研究では、もし人間が全知であるとしたら、つまり、知っていることから未来を計算できるとしたら、どのように行動し、どのように行動すべきか、という問いを投げかける。ベイジアン推論や主観的期待効用の最大化などの最適化モデルは、このような考え方に基づいている2。これらのモデルでは、例えば誰を治療するかを判断する際に、意思決定者がすべての情報を収集・評価し、何らかの基準に基づいて各情報に重み付けを行い、目標を達成する可能性が最大になるように各情報を組み合わせることを想定している（例：コストを節約しながら困っている人を治療する）。制約条件付き最適化とは、非限定合理的最適化の一分野であり、完全な知識を前提とせず、情報コストなどの制約条件を考慮したモデルを指す。最適化モデルは、経済学やコンピュータサイエンスなどの分野でよく見られる。最適化の精神は、最適なベータ重みを計算する線形回帰モデルである心臓病予測装置の仕組みにも反映されている。

非合理性：認知的錯覚とバイアス

2つ目の考え方では、人間の推論は最適化ではなく、最適化からの系統的な逸脱によって特徴づけられるとしている。ヒューリスティック＆バイアスという枠組み3では、人間が確率を判断して意思決定を行う際に、系統的な誤りを犯すとしている。この枠組みは、最適化の考え方とは異なるが、期待効用の最大化などの最適化を人間の意思決定を評価する規範としている。この基準を逸脱した意思決定は、人間が情報処理能力や知識の不足などの認知的制約を受けていると仮定することで説明できる。このような考え方に基づけば、医師の偽陽性率の高さや配分決定の確率の低さ（図2）は、医師の限られた認知能力の働きを反映していると言えるかもしれない。

生態学的合理性：速くて質素なヒューリスティクス

しかし、最適化や非合理性に代わる方法がある。非現実的な最適化モデルに頼り、与えられた課題に対する最適解を計算しようと努力するのではなく、人は単純な戦略を用いて、生物の目標に対して十分な解を求める。また、行動やパフォーマンスは、認知と生物の環境の両方から生じることを強調した（Box 1）。「人間の合理的な行動は、タスク環境の構造とアクターの計算能力という2つの刃を持つハサミによって形成される」（p7）5。

Box 1:

ヒューリスティックスとバイアスの考え方と、サイモンの限定合理性の概念は、文献上よく結び付けられている。しかし、カーネマンら3は、アンソロジーの序文でサイモンを引用しているが（”Judgment under uncertainty: heuristics and biases”)同じ巻に掲載されている彼らの初期の主要論文では、サイモンの限定合理性に関する研究は引用されていない。このように、ヒューリスティクスとバイアスと限定合理性の関係は、後になって考えられたものだったのだ61。

このように、単純な意思決定戦略とその環境への適合性を重視する「高速・節約ヒューリスティクス」フレームワーク6,7は、合理性の生態学的な見方を発展させ、人々が単純な意思決定ヒューリスティクスに依存することで、どのような場合にどのように賢い行動をとることができるかを理解しようとしている。この考え方では、ヒューリスティックスは、環境と行為者の目標に関して、生態学的に合理的であることができる。ここでいう合理的とは、あるヒューリスティックが外部の基準に対して成功することを意味する。ハモンド8は、このような外部基準をコレスポンデンス・クライテリアと呼び、これに対してコヒーレンス・クライテリアは、非限定的に合理的な最適化モデルに基づいて合理性を規範化するものであるとした。

例えば、図2の医師の意思決定は、健康な患者を誤って冠動脈治療室に配属することに系統的に偏っているように見えるが、実際には、以下の裁判が示すように、これらの意思決定は生態学的に合理的であるとみなされるかもしれない。2003,米国バージニア州の家庭医であるDaniel Merenstein9は、PSA（前立腺特異抗原）検査をただオーダーするのではなく、そのメリットとデメリットを患者に伝えたことが原因で訴えられた。この検査が害よりも益をもたらすという証拠はないことから、彼は主要な医学団体の勧告に従い、患者にその旨を伝えたところ、患者は検査を受けることを拒否した。その後、患者は不治の病である前立腺がんを発症し、Merenstein氏は訴えられた。裁判所の陪審員は、彼の容疑を晴らしたが、彼の居住地に100万ドルの責任があることを認めた。それ以来、Merensteinは、不必要な害をもたらす危険性があっても、患者を過剰診断し、過剰治療する以外に選択肢がないと感じてた。これは、米国の大多数の医師が行っていることのようである。訴訟リスクの高い800人以上の外科医、産科医、その他の専門家の93%が、例えば、不必要なCTスキャン、生検、MRI、医学的に指示された以上の抗生物質の投与など、患者にとって最良の選択肢ではなく、原告となる可能性のある患者から医師を守るための診断テストや治療を推奨する行為を報告している10。同様に、前述のミシガン州の田舎の病院では、冠動脈治療室に紹介された患者の約90%のうち、実際に心筋梗塞を発症したのは約25%であった。健康な患者を誤って診断・治療した場合に訴訟を起こされるリスクが高く、医師が潜在的な訴訟を回避しようとする環境下では、「err on the safe side」という防衛的ヒューリスティックに従って、必要以上に慎重になり、診断検査や治療を処方することが生態学的に合理的である。この防衛的ヒューリスティックは、人々の精神的限界に起因する不合理な推論エラーや認知的錯覚とは異なる。しかし、このような状況だからこそ、次に述べるように、変化の余地があるのである。環境を変えることで、医師が患者にとってより有益なヒューリスティックに頼るように導くことができるのである。

速くて質素なヒューリスティックの科学

医師をはじめとする人間は、未来を予見することはできないし、ある診断が確実に正しいかどうか、ある治療法が確実に患者を治すかどうかを知ることはできない。むしろ、限られた時間の中で、不確実性の中で意思決定をしなければならないことが多い。高速・節約ヒューリスティック研究プログラムによれば、このような意思決定を成功させることができるのは、人が多くのヒューリスティックのレパートリー（適応的道具箱）を持ち、それぞれのヒューリスティック（すなわち、それぞれの道具）が特定の意思決定環境に適応しているからだという。人は、特定の環境にうまく適応したヒューリスティックに頼ることで、多くの場合、わずかな情報に基づいて、短時間で適切な意思決定を行うことができる（「fast and frugal」という言葉がある）。

人がヒューリスティックを選択するためには、さまざまなメカニズムがある。第一のメカニズムは、記憶などの基本的な認知能力の働きによるものである11。例えば、我々がどのような情報を覚えているか、またどのくらい早く覚えているかは、我々が環境の中で情報に出会った頻度や頻度に影響される。また、どのような情報がどのくらいの速さで心の中に入ってくるかによって、どのようなヒューリスティックが課題解決に適用できるかが決まる。ヒューリスティックを選択する2つ目のメカニズムには、社会的および個人的な学習プロセスがある。重要なのは、環境を変えることで、人々が異なるヒューリスティクスに頼るようになることである。例えば、訴訟を受けるリスクが低い環境では、医師は異なる医療ヒューリスティクスに頼るかもしれない。訴訟が少ないスイスでは、法律上の理由からPSA検査を勧めることがあると回答したのは、一般開業医の41%、内科医の43%にすぎなかった13。

早い者勝ちのヒューリスティクスに関する過去の研究

適応型ツールBOXに含まれるヒューリスティックスは、いくつかの非排他的なカテゴリーに沿って分類することができる。これらの分類には次のようなものがある。(i)ヒューリスティックがどのように情報を処理するか（例えば、図1のように、予測変数を順番に並べることで異なる重要性を割り当てる)(ii)ヒューリスティックが社会的領域に適用できるかどうか（例えば、医師と患者のやりとりやバザーでの交渉など）。(未知の量や未来の事象に関する帰納的な推論のモデルであるか（医療診断や天気予報など)④記憶の内容だけで判断する場合のモデルであるか（クイズ番組や緊急時の時間的制約など）。

これに対応するヒューリスティックのモデルは、環境保護行動の強制やビジネスにおける顧客の行動予測などの応用分野や、動物行動学から法律、金融、心理学などの基礎科学まで、さまざまな分野で研究されている14,15。応用の世界では、ヒューリスティクスは、例えば、株式のパフォーマンス19,スポーツ競技の結果20,政治的な選挙の結果などを予測するために使われている21。

健康管理にヒューリスティックを？

例えば、Elstein24は、ヒューリスティックスを「誤った推論や結論につながる可能性のある、意思決定によく使われる精神的な近道」(p791)と呼び、臨床推論における多くの誤りの原因として挙げている。

しかし、医学研究者の中には、迅速かつ質素なヒューリスティックスが意思決定を改善する可能性を認めている人もいる。例えば、McDonald25は「ヒューリスティックスの役割を認めることは恥ではない」(p56)と書いている。むしろ、ヒューリスティックスを形式化して理解し、その使い方を効果的に教えることで、診療のばらつきを減らし、より効率的な医療を実現することを目指すべきである。同様に、Elwynら26は、「次のフロンティアは、早くて質素なヒューリスティックス、つまり、患者と臨床家のためのルールが必要です」と述べている（p574）。以下では、ヒューリスティックスの研究が医療の意思決定にどのように役立つかについて説明する。

医療従事者と患者の意思決定方法

医学的な意思決定やそれ以外の分野において、迅速かつ質素なヒューリスティックスの科学は、少なくとも3つの主要な問題に焦点を当てている。1つ目の質問は記述的なもので、医師や患者、その他の関係者はどのようなヒューリスティックスを使って意思決定を行っているのか？つまり、あるヒューリスティックがどのような環境構造に適応しているのか、つまり、どのような環境ではうまく機能し、どのような環境では機能しないのか、ということである。3つ目の質問は、実践的な応用に焦点を当てたものである。人々のヒューリスティックのレパートリーとその環境構造への適合性を研究することは、意思決定にどのように役立つのだろうか？

まず、開業医や患者がどのように意思決定を行うかという記述的な問題から始めよう。ここでは、fast-and-frugalヒューリスティックスは、期待効用最大化、ベイズ推定、ロジスティック回帰などの伝統的な医学的意思決定の情報貪欲モデルとは異なる。

これは、意思決定者が意思決定に至るまでに一連の連続したステップを踏むことを想定したヒューリスティクスの一種である。このようなツリーでは、いくつかのイエスかノーかの質問をするだけで、それぞれの質問の後に決定を下すことができる。他の多くのヒューリスティクスと同様に、高速・倹約ツリーは3つのルールを中心に構成されている。1つは、情報探索が探索空間のどの方向に広がるかを指定するもの（探索ルール)1つは情報探索を停止するタイミングを指定するもの（停止ルール)1つは最終的な意思決定を行う方法を指定するもの（決定ルール）である。fast-and-frugalツリーの一般的な形は、以下のようにまとめられる。

• 検索ルール。探索ルール：重要度の高い順に予測変数を検索する．
• 停止ルール．1つの予測変数がそれを可能にするとすぐに探索を停止する．
• 決定ルール。この予測変数に従って分類する。

速くて質素なツリーは，出口の数が限られていることが特徴である．いくつかの予測子しか調べられないが，それらは必ず決定につながる．例えば、図1に示すヒューリスティックは、4つの出口を持つfast-and-frugalツリーの1つである。具体的には、fast-and-frugal treeにはn + 1個の出口があり、nはバイナリ予測変数の数である。これに比べて、情報探索的なアプローチは、より多くの出口を持ち、例えば、ベイズの法則は、2n個の出口を持つツリーとして表現される。情報強者的なアプローチとは逆に，fast-and-frugalツリーは，秩序を導入することで，それ自体を効率的にする。- を導入することで、効率的になる。

多くのfast-and-frugalツリーは、行動の記述モデルとしての可能性が確認されている。例えば、DhamiとHarries,27は、仮想の患者に脂質低下剤を処方する一般開業医の決定について、fast-and-frugal treeと回帰モデルを比較した。どちらのモデルも同じように処方に適合した（ただし、囲み記事2を参照）。同様の結果は、Backlundら28が高脂血症の薬物治療や心不全の診断に関する判断について、SmithとGilhoolyが抗うつ剤の投薬について得ている29。完全な決定ツリーではなく、Fast-and-frugal treeは、HIV検査やがん検診でも日常的に使用されており30,法律など医学以外の分野でも行動の記述モデルとして確認されている31。

患者の場合はどうであろうか？高等教育を受けた患者であっても、自分の健康に関しては、それが学術的な観点と矛盾する場合でも、単純なヒューリスティックに頼ることが多い。例えば、ほとんどの経済学者は、新古典派理論に基づく非拘束的に合理的なモデルを支持し、研究において代替案のすべての長所と短所を検討することを提唱しているが、PSA検診に参加するかどうかについての自分の現実の意思決定について調査したところ、100人以上のアメリカの経済学者の66%が、PSA検診の長所と短所を検討したことはなく、単に医師の助言を信じたと答えた。おそらく、「白衣を見たら、それを信じる」というヒューリスティックな考え方に従ったのであろう。32 「医師を信頼する」という単純な社会的ヒューリスティックは、医師が健康統計を理解し、訴訟を恐れて防衛的な意思決定ヒューリスティックに頼らず、特定の薬を処方したり特定の診断技術を使用したりすることで金銭や無料の夕食などの利益を得るといった利害関係がない環境では、生態学的に合理的である。しかし、これらの要素がいずれも当てはまらないアメリカの医療システムでは、このヒューリスティックへの依存は潜在的に不適応となる可能性がある。

Box 2

行動データを説明するヒューリスティックの能力は、そのデータへの適合性を評価することによってのみテストされるべきではない。適合性とは、関連するパラメータをデータに合わせて調整できることを意味する。また、関連するすべてのパラメータが固定されており、これらのデータに対して調整できない場合、ヒューリスティックが新しいデータをどの程度予測するか（すなわち、一般化するか）を評価する必要がある62 。データの適合は良いテストにはならない。

環境を変えることで命を救う

米国だけでなく、他の国でも、医療環境を変えることで成果を上げ、時には命を救うことができる。次のような例がある。臓器提供を促進するために高価な広告キャンペーンが行われているにもかかわらず、ドナーカードに署名する国民は比較的少なく 2003年に発表されたJohnson and Goldstein,34の研究によると、ドイツでは約12%、米国では28%である。一方、フランス人は約99.9%がドナー候補者である（囲み記事3）。欧米諸国におけるこのような大きな違いは、法的環境と人々のデフォルトヒューリスティックへの依存度との相互作用によって説明することができる。この社会的ヒューリスティックによると、信頼できる機関が暗黙のうちに推奨している場合、人は行動を起こすべきではないとされている。ドイツの法律では、本人や家族の明確な同意がなければ、誰もドナーになることはできない。一方、フランスでは、明示的に拒否しない限り、誰もが臓器提供者になることがデフォルトとなっている。法的環境に応じて、同じ単純なヒューリスティックでも、一般市民と緊急に臓器を必要としている人とでは、全く異なる行動をとり、全く異なる結果となります34。 要するに、医療従事者と患者がヒューリスティックを使用し、これらのヒューリスティックと環境との適合性を記述的に研究することは、医療の意思決定がどのように行われるかを理解するだけでなく、どのように改善できるかを理解するのに役立つ。このことが、3つ目の質問である「応用編」につながるのである。

BOX3

この記事を書いている時点で、JohnsonとGoldstein34が2003年に報告した数字は変わっている。例えば 2010年のドイツの潜在的なドナーは約17%であった63。

少ない方がいいのか？

ヒューリスティクスには、応用的な医療上の意思決定を改善するためのツールとして特に適した様々な一般的特徴がある。ここでは、そのいくつかを紹介する。

精度 多くの研究が示しているように、適切な環境で使用された場合、単純な意思決定ヒューリスティクスは、回帰モデルやニューラルネットを含む、より洗練された情報貪欲な分類・予測ツールの精度を上回ることができる。例えば、Brighton,35,36は、CART37や決定ツリー誘導アルゴリズムC4.538などの重量級の計算機の性能と、Take-the-bestと呼ばれるヒューリスティックの性能を比較している。take-the-bestは，正の値(1)かそうでない(0)かの2値の予測変数を順に検索し，識別する最初の予測変数の後で停止することによって，意思決定を単純化する．統合するさまざまな予測変数に最適な（たとえば，ベータ）重みを割り当てるより複雑な（たとえば，回帰）モデルとは対照的に，テイク・ザ・ベストは，単にその有効性vに従って無条件に予測変数を並べる．

• 検索ルール。予測子をその有効性の順に検索する．
• 停止ルール。選択肢の間で識別する最初の予測子を見つけて停止する（たとえば，可能な予測子の値は1と0）．
• 決定ルール: 正の予測値(1)を持つ代替案がより高い基準値を持つことを推測する．

Brighton35,36は、異なるリアルワールドのドメインからの多くのデータセットにおいて、新しい（例えば、まだ知られていない）データを予測する際に、take-the-bestが洗練された計算機よりも優れているのは、例外ではなく規則であることを示した。ここ数年、医学的な意思決定において、ヒューリスティックスと情報探索ツールを同様に比較しようとする研究が数多く行われている。例えば、最近の研究では、うつ病などの精神疾患の診断に用いる「早くて質素なツリー」が取り上げられている40。

透明性 ヒューリスティックスは単純であるため、透明性が高く、教えるのも応用するのも一般的には簡単である。意思決定のプロセスは完全に透明で、必要に応じて患者に簡単に伝えることができる。一方、心臓病予測装置でカバーされている様々な確率や症状への対応は、より煩雑で複雑なものとなる。その結果、意思決定プロセスの透明性が低くなり、患者に説明するのが難しくなると思われる。

シンプルで透明性の高いヒューリスティックスを医師に教えることは、医療統計の理解を深めるのにも役立つ。つまり、十分な情報に基づいた医療診断や治療決定を行うための情報である。しかし、残念ながら、多くの医師がこのような統計を正しく解釈する方法を知らないという証拠がある。例えば、Gigerenzerら41は、160人の婦人科医に、乳がん検診のマンモグラフィで陽性となった女性が実際にがんであることを計算するために必要な統計、すなわち感度90%、偽陽性率9%、有病率1%を与えた。ベストアンサーは10人中1人くらいの女性で、残りの9人の結果は偽警報（偽陽性）である。その結果、婦人科医の60%は、検査で陽性になった女性の10人中8人か9人ががんになると考えており、18%は100人に1人の確率だと考えてた。このような医師の理解不足は、糖尿病予防の研究、42 HIV検査の評価、43 その他の医療検査や治療においても同様に報告されている44-48。健康統計を透明化することは，医師の理解を助けることになる。例えば，非常に簡単なヒューリスティックな方法として，関連する数字を表す数学的形式を変更することが挙げられる。このことを説明するために、マンモグラフィー検診のケースをもう一度考えてみよう。医師に、与えられた確率を固有振動数と呼ばれるものに変換し、対応するツリーを描いて数字を視覚化することを教えるのは簡単である。図3）が示すように、医師は1000人の女性を思い浮かべればいい。このうち10人が乳がんになると予想される（=有病率1%）。この10人の女性のうち、9人が陽性となります（=感度90%）。癌ではない990人の女性のうち、約89人が陽性になります（=偽陽性率9%）。このような自然界の周波数にフォーマットを変更したところ、ほとんどの婦人科医（87%）が「9+89=98人が陽性になります」と理解してくれた。この98人のうち、実際に乳がんになるのは9人で、およそ10人に1人（=10%）の割合になる。

図3　pyhsicianや患者が健康統計を理解するのに役立つようにデザインされた、確率を固有振動数として表現するためのシンプルなツリー

迅速性 ヒューリスティックスがうまく機能するためのもう一つの重要な特徴は、特に緊急事態において迅速に適用できることである。2001年9月11日に発生した同時多発テロ事件では、「Simple Triage and Rapid Treatment (START)」49 というヒューリスティックが用いられ、救急隊員は被害者を直ちに治療が必要な人とそうでない人に分けることができた。
アクセス性とコスト 優れた機能を持つヒューリスティクスには簡単にアクセスすることができ、テクノロジーへのアクセスが制限されている状況でも、治療や診断に役立てることができる。例えば、市中肺炎の幼児に対するマクロライドの処方について、年齢と発熱期間の2つの予測変数だけで構成されたツリーが意思決定支援ツールとして開発された（図4）51。この質素な意思決定支援ツールは、ロジスティック回帰に基づくスコアリングシステムよりもわずかに精度が低いことが判明したが（感度72%対75%)これを使用するには高価な技術は必要ない。その結果、この判断材料は、世界中の何百万人もの子どもたちが、たとえ貧しい国であっても、簡単に利用することができる。

図4　Fisherら51によって提案された、マクロライドの処方を決定するためのfast-and-frugalツリー

（詳細な議論はKatikopoulosら58も参照）。マクロライド系抗生物質は、市中肺炎の第一選択薬である。fast-and-frugal treeは、第一選択のマクロライド治療を、2日以上の発熱があり、年齢が3歳以上の市中肺炎患者に限定することができることを示している。

次の例のように、単純なヒューリスティックな考え方は、豊かな先進国でもコスト削減に役立つ。52 救急隊員は、このようなめまいが危険な脳幹や小脳の脳卒中によるものであるという稀なケースを検出する必要がある。拡散強調画像を用いたMRIは、医師がこの難しい診断を下すのに役立つ。もう一つの診断ツールであるベッドサイドでの簡単な検査は、Kattahらによって開発された52。

このベッドサイド検査は、集計のヒューリスティックを表している。特定の予測変数に順序をつけて多かれ少なかれ重要性を割り当てるfast-and-frugal treesやtake-the-bestとは対照的に，集計は，たとえば，単純に数えることによって，すべての予測変数を等しく扱う．その一般的な形として，タリーイングは以下のように説明される．

• 検索ルール。予測変数を任意の順序で検索する．
• 停止ルール。合計M個の予測子のうちm個で検索を停止する（1 < m < Mとする）。もし正の予測子の数が両方の選択肢で同じであれば，別の予測子を探索する．それ以上の予測子が見つからなければ，推測する．
• 決定ルール。より多くの予測子で好まれる方の選択肢を決定する．

その結果、Kattahら52のベッドサイドでの簡単な検査では、MRIよりも大きな感度が得られる一方で、偽陽性率はMRIよりもわずかに大きいだけで、偽アラームは発生しなかった。MRIは、最大で5～10分と数時間の待ち時間があり、1000円以上のコストがかかり、どこでも利用できるわけではないが、ベッドサイド検査は、時間もかからず、コストもかからず、どこでも実施できるのが特徴である。

つまり、医療上の意思決定のためのツールとしてヒューリスティックスを利用することで、医師は正確で透明性のある迅速な意思決定を、多くの場合、少ない技術と少ない財源に頼って行うことができるのである。少ない情報、複雑さ、時間、技術は、医療上の意思決定においても、より効率的なものとなる。

ヒューリスティックが有効な理由

ヒューリスティックスが驚くべき性能を発揮する理由の一つは、情報を無視していることである。これまで説明してきたように、ヒューリスティクスは実行が早く、理解しやすく、コミュニケーションが取りやすいものである。重要なのは、数学的分析やコンピュータ・シミュレーションによって示されているように、ヒューリスティックスの予測力の一端はこの特徴にあるということである36-53。このことを、単純化した架空の話で説明しよう。

2人の医師がいるとする。一人の医師は、コンプレキシクス教授（PhD）と呼ぶ。彼は、患者に関するすべての情報を、最も細かい部分も含めて考慮に入れる、精査好きで知られている。彼の哲学は、すべての情報は潜在的に関連性があり、可能な限り多くの情報を考慮することが意思決定に役立つというものである。一方、もう一人の医師であるヒューリスティックス医師は、いくつかの情報だけを参考にする。この2人の医師の意思決定戦略は、統合モデルとして考えることができる。コンプレクティカス教授のモデルは次のようなものである。 y = w1x1a1 + w2x2a2 + w3x3a3 + w4x4a4 + w5x5a5 + wixiai + z. ヒューリスティックス医師のより単純なモデルでは、w1x1 + zとなるように、自由パラメータのwiaiとz、予測変数のxiを捨てることができる。両医師が推論したい基準は、異なる患者が病状から回復するのに必要な日数yであり、予測変数xiは、患者が患っている病状の種類、患者の全体的な体質や年齢、愛する家族がこれまでに入院した患者を見舞った回数などである。

この2つのモデルを比較評価するために、正式な統計解析では、モデルの推定値と観測された患者の回復に要した日数との間のR2などの適合度を計算する。このような指標は、モデルの推定値と基準値yとの距離に基づいている。確かに、より多くの変数に注目し、それらを最適な方法で重み付けする（つまり、最小二乗を最小にする）というComplexicus教授の戦略を、過去の患者（つまり、回復に要した日数が既に分かっている患者）の観測結果に当てはめると、Doctor Heuristicus*の単純な戦略を当てはめるよりも、常に大きなR2が得られる。言い換えれば、過去の観察結果を後知恵で説明する場合、Complexicus教授の方がより説得力のある仕事をするということである。Complexicus教授が過去の患者の回復に要した時間を説明するのに優れていることから、将来の患者の回復に要する時間を予測する際にも、彼の推定値がDoctor Heuristicusの推定値よりも優れているはずだと直感的に考えられる。

しかし、これは必ずしもそうではない。適合度の測定だけでは、関連する変数による観測値の変動と、ランダムな誤差やノイズによる変動とを切り離すことはできない。過去の観測データをフィットさせる際、モデルはそのようなノイズを考慮してしまい、単なる偶然に誤って意味を持たせてしまうことがある。その結果、モデルは観測値を過剰にフィットさせてしまうことになる。

(図5）では、モデルA（細線）が、すでに存在する過去の観察結果（塗りつぶした円：例：高齢の患者）のノイズを追いかけてオーバーフィットさせている状況が示されている。見てわかるように、このモデルは過去の観測結果に完全にフィットしているが、新しい観測結果（塗りつぶした三角形、例：新しい患者）を予測することは比較的苦手である。モデルB（太線）は、モデルAほど過去の観測データにフィットしていないが、データの主要なトレンドをとらえ、ノイズを無視している。これは、モデルの予測値と新しい観測値の間の偏差が、モデルAの偏差よりも実際に小さいことからもわかるように、新しい観測値を予測するのに適している。

図5　2つのモデルが過去の観測結果

（塗りつぶした丸）にどのように適合し、新しい観測結果（三角）をどのように予測するかを示す図。複雑なモデルA（細線）は、過去の観測結果に過剰に適合し、単純なモデルB（太線）ほど新しい観測結果の予測が正確ではない。 

重要なことは、あるモデルがどの程度オーバーフィットしやすいかは、そのモデルの複雑さに関係しているということである。モデルの複雑さの要因の一つは、自由パラメータの数である。図5に示されているように、複雑で情報を欲しがるモデルAは、過去の観測結果に過剰に適合している。一方、自由パラメータの数が少なく、より少ない情報を考慮したモデルBは、過去の観測結果の主要な傾向のみを捉えているが、新しい観測結果をよりよく予測している。複雑系教授とヒューリスティック系博士の戦略についても、同様のことが言えそうである。複雑系教授の複雑な戦略は、Doctor Heuristicusの単純な戦略よりも、過去の観測結果をオーバーフィットさせる傾向があると思われる。その結果、ヒューリスティックス博士の戦略の方が、複雑系教授の戦略よりも新しい観測結果を予測することができると考えられる。

要するに、データに完全にノイズがないわけではない場合、複雑さを増すと（例えば、できるだけ多くの情報を統合すると)モデルが過去の観測結果に過剰に適合してしまう可能性が高くなり、新しい観測結果を予測する能力は低下する（ただし、Box 4を参照）。しかし、多くの応用医療の現場で重要なのは、過去の観察結果を説明する能力（つまりフィットさせる能力）よりも、まだ見ぬ新しい患者など、将来の未知の観察結果について正確な推論を行う能力である。

BOX4

当然のことながら、多すぎる情報や多すぎるパラメータを無視することは有害である。うまく機能するモデルは、両極端のバランスを取る必要がある。また、モデルが持つ自由パラメータの数以外にも、モデルの関数形や許容されるパラメータ空間の拡張など、他の要因もモデルの複雑性に寄与する。

まとめと今後の研究の展望

合理性にはさまざまな意味がある。ほとんどの理論では、未来は確実に知ることができると仮定しており、例えば、異なる情報の重み付けをするための確率なども含まれているため、非限定的に合理的な最適化手法が合理的な選択を定義することができる。これには、人々の行動が実際にこの境界のない合理的な最適化によってモデル化されると仮定するものと、人々*の行動が体系的にこの最適化から逸脱し、非合理的な認知的錯覚、バイアス、エラーが現れると仮定するものの2種類がある。この記事では、最適化の条件が満たされていないときに、人はどのように意思決定を行うのか、という第3の視点を扱っている。それは、医療をはじめとするリアルワールドのほとんどの意思決定がそうであるということである。不確実な世界では、人は、複雑で情報を欲しがる戦略よりも、より良く、より早く決断できるヒューリスティックに頼る傾向がある。

医療におけるヒューリスティックな意思決定について、今後、どのような研究が期待されるか？例えば、多くのヒューリスティクスの神経基盤が研究され始めているが54,神経科学の臨床分野や一般的な精神医学では、速くて質素なヒューリスティクスに関する研究はほとんど行われていない。ここでは、これらの分野におけるヒューリスティックの数少ない既存の応用例として、うつ病の診断におけるヒューリスティックとより複雑なツールとの比較を紹介した。例えば、GlocknerとMoritz55は、実験室での課題で強いストレスを感じたとき、統合失調症患者は集計ヒューリスティックに頼るようだと報告している。また、Pachurら56は、認知機能の加齢がヒューリスティックスへの依存に与える影響を調査した。その結果、高齢者は認識記憶に基づく単純なヒューリスティックに不適応な形で依存する可能性が高いことがわかった。同様の結果は、Mataら57によっても報告されており、高齢者の限られた認知能力によって、環境がヒューリスティックスの使用に適しているかどうかにかかわらず、特定のヒューリスティックスに依存する可能性があることを示している。今後の研究では、これらの知見を基に、精神障害や認知機能の低下に苦しむ人々のために環境をどのようにデザインすべきかなどの課題に取り組むことが期待される。この総説が、生態学的に合理的で、速くて質素なヒューリスティックスの科学の将来の研究と応用の有望なルートを刺激するのに役立つことを願っている。