最小限の臨床検査を用いた膝蓋大腿関節痛症候群予測のための解釈可能なラッパーベース機械学習フレームワーク | JoVE Visualize

科学分野:

生体力学
スポーツ医学
データサイエンス

背景:

膝蓋大腿関節痛症候群（PFPS）は、膝前面痛の一般的な原因です。
現在の臨床スクリーニングには多数の身体検査が含まれており、時間がかかる可能性があります。
領域相互依存モデルは、生体力学的評価の複雑さを強調しています。

研究の目的:

PFPSの予測精度を達成するために、より少ない生体力学的変数のサブセットを使用できるかどうかを判断すること。
より効率的で臨床医が解釈できるスクリーニングツールを開発すること。
モデルのパフォーマンスと透明性に対する特徴量削減の影響を評価すること。

主な方法:

29個の特徴量を持つ70人の参加者からの生体力学的データを分析しました。
特徴量選択のために9つの分類器とラッパーオプティマイザーを採用しました。
ロジスティック回帰を使用し、フル特徴量モデルと削減特徴量モデルを比較しました。
モデル解釈のために説明可能なAI技術（SHAP）を適用しました。

主要な成果:

16個の特徴量を持つモデルは、97.1％の精度（AUC = 0.998）を達成し、フル特徴量モデルの99.7％の精度に匹敵しました。
特徴量削減による予測パフォーマンスの有意な低下は観察されませんでした。
主要な可動域角度（体幹の回転、腰椎の伸展、股関節の内旋、腰椎の側屈）が主要な予測因子として特定されました。

結論:

ラッパーによる特徴量削減は、PFPSスクリーニングの予測パフォーマンスを効果的に維持します。
削減された生体力学的テストバッテリーは、評価時間を大幅に短縮できます。
このアプローチは、PFPSスクリーニングのための実用的で費用対効果の高い意思決定支援を提供し、透明性と効率を向上させます。