説明可能なロジスティック回帰による心疾患リスク予測：地域および臨床集団における開発および外部検証研究

科学分野:

• 循環器病学
• 医療情報学
• 機械学習

背景:

• 心疾患は依然として世界的な死亡原因の第1位です。
• 複雑な機械学習モデルの解釈可能性の制限は、臨床応用を妨げています。
• ロジスティック回帰は透明性を提供しますが、精度が低いと見なされることがよくあります。

研究 の 目的:

• 心疾患リスク予測のための説明可能なロジスティック回帰モデル（SHAP-LR）を開発すること。
• SHAP-LRのパフォーマンスを、機械学習モデルおよびFramingham Risk Score（FRS）と比較して、さまざまなデータセットで評価すること。
• 心疾患リスク評価における予測パフォーマンスと解釈可能性のバランスを評価すること。

主な方法:

• Behavioral Risk Factor Surveillance System（BRFSS）データセットを使用してSHAP-LRを開発しました。
• UCIおよびStatlog Heart Diseaseデータセットで機械学習モデルと比較してSHAP-LRをベンチマークしました。
• UCI Heart DiseaseデータベースでSHAP-LRを外部検証し、FRSと比較しました。

主要な成果:

• SHAP-LRは、データセット全体でツリーベースモデルと同等またはそれ以上のパフォーマンスを示しました（AUROCは約0.73〜0.80）。
• SHAP-LRは、外部コホートでFRSと同様の識別能力を示し、高有病率サンプルでより有利なキャリブレーションを示しました。
• FRSは、特定の高リスクサブグループ（例：糖尿病、高血圧）でSHAP-LRを上回りました。

結論:

• SHAP-LRは、一般的な心疾患リスク予測のための透明で解釈可能なフレームワークを提供します。
• SHAP-LRはパフォーマンスと透明性のバランスをとりますが、FRSは特定の高リスクグループで優れていました。
• 生のSHAP-LR確率は、特に低有病率集団において、絶対リスク推定のために再調整が必要です。