説明可能な機械学習による胃切除術後の在院日数予測：XGBoostとSHAPを用いた全国規模の研究

科学分野:

• 手術のがん治療、ヘルスインフォマティクス、医療における機械学習

背景:

• 胃がん手術（胃切除術）は在院日数が長くなり、医療リソースを圧迫します。術後の在院日数（LOS）を予測することは、個別化ケアとリソース管理に不可欠です。日本のDPCデータベースは、胃切除術の結果の大規模分析のための実世界のデータを提供します。

研究 の 目的:

• 胃切除術後の在院日数（LOS）を予測するための機械学習モデルを開発・検証すること。DPCデータベースの入院時変数を用いてLOSの主要な予測因子を特定すること。手術のがん治療におけるLOS決定要因の理解に説明可能なAI（XAI）の有用性を探求すること。

主な方法:

• 日本のDPCデータベースを用いた胃切除術を受けた26,097人の患者（2017-2022年）の後ろ向き研究。1,433の入院変数を用いたXGBoostモデル開発。RMSEとMAEによるパフォーマンス評価。特徴量の重要性とモデルの解釈可能性のためにSHAP値を使用。

主要な成果:

• XGBoostモデルは、RMSE 3.74日、MAE 2.82日を達成しました。在院日数に有意な予測因子としては、手術アプローチ（腹腔鏡 vs 開腹）、病院の種類、病院の診療量、患者の入院時ADLスコアが含まれていました。腹腔鏡下幽門側胃切除術および病院の診療量が多いほど在院日数が短縮し、開腹下噴門側胃切除術では在院日数が長くなりました。

結論:

• 入院データを用いた機械学習モデルは、2〜4日の誤差で胃切除術後の在院日数を予測できます。本研究は、手術のがん治療における周術期ワークフロー最適化のための説明可能なAIの実現可能性を示しています。本研究結果は、管理医療データから予想される洞察と新規の洞察の両方を明らかにするAIの可能性を強調しています。