近隣環境が重要：説明可能なAIによる肺がん検診受診遵守率の予測

科学分野:

• 公衆衛生;機械学習;健康格差

背景:

• 肺がん検診（LCS）の受診遵守率は、高リスク集団における早期発見のために重要です。;健康の社会的決定要因（SDOH）は、医療へのアクセスと遵守率に大きく影響します。;予測モデリングは、LCS非遵守のリスクがある個人を特定できます。

研究 の 目的:

• SDOHデータを用いた肺がん検診（LCS）受診遵守率の予測モデルを開発すること。;LCS非遵守率に関連する主要な個人および近隣レベルの要因を特定すること。;年次のLCSフォローアップスキャンを完了する可能性の低い個人のリスク層別化を改善すること。

主な方法:

• 低線量コンピューター断層撮影（LDCT）検診のために、188人の高リスクマイノリティ個人を募集しました。;アンケートを通じて、人口統計、喫煙歴、社会的ニーズ、リスク認識に関するデータを収集しました。;個人および地理コード化された近隣のSDOHメトリクスに基づいてLCS遵守率を予測するために、SHAP分析を備えたXGBoost分類器を使用しました。

主要な成果:

• 研究コホートは多様なマイノリティグループで構成され、LCS非遵守率は66%でした。;予測モデルは高いパフォーマンスを達成しました（AUROC 0.81、AUPRC 0.90）。;近隣のSDOH要因（例：学校の能力、貧困）は、個々の要因よりも非遵守率の予測因子として優れていました。

結論:

• 機械学習は、SDOHを使用してLCS非遵守率を正確に予測します。;地域レベルの特性は、LCS遵守率の介入に情報を提供するために不可欠です。;地域的に調整された戦略は、高リスク集団におけるLCS遵守率を改善できます。