SpaCE:病院外での心停止生存率を予測するための空間対事実説明可能なディープラーニングモデル

科学分野:

• 健康 地理
• 地理空間的健康分析
• コンピュータによる疫学

背景:

• 効果的な公衆衛生戦略には 危険因子,空間的パターン,病気の結果の相互作用を理解することが重要です.
• 健康に関する結果の正確な予測と解釈には 健康に関する変数と空間情報の両方を統合したモデルが必要です

研究 の 目的:

• 地理空間と健康データを統合して健康結果を予測するための新しいディープラーニングモデル,空間対事実説明可能なディープラーニング (Spacial Counterfactual Explainable Deep Learning, SPACE) の開発と評価.
• 異なる空間的な文脈で変数の影響を明らかにする反事実的な説明を生成することによって,予測モデルの説明性を高める.

主な方法:

• SpaCEモデルを開発し,空間的に明示的な健康結果予測とプロトタイプ主導の対事実説明コンポーネントを備えた.
• 予測の精度を改善し,最小限の変化がもたらされる仮説的シナリオを生成するための統合された地理空間と健康の変数.
• 異なる空間的な文脈における個々の変数の影響を,生成された反事実を用いて評価した.

主要な成果:

• SpaCEモデルはAUCROCスコア0. 682を達成し,心臓発作の生存率を予測するベースラインモデルを10. 2%上回った.
• 分析により,地理的環境が患者の生存に影響を及ぼすことが示されました.
• このモデルは,健康上の結果の予測精度と説明性を向上させています.

結論:

• SpaCEモデルは,特定の地理的地域における健康上の結果の予測とリスク要因の影響を理解する上で大きな進歩をもたらしています.
• モデルが個人レベルと地域レベルの両方で ターゲットを絞った介入を生み出す能力は,その実用的な有用性を強調しています.
• 心臓発作の生存率の予測に成功していることは,様々な病気のシナリオにSpaCEの適応性と,公衆衛生上の意思決定にインパクトを与える可能性を示している.