機械的学習における機会的スクリーニングにおける主要有害心血管イベントのバイアス軽減のための因果推論の活用

科学分野:

• 医療における人工知能
• 臨床意思決定支援システム
• 因果推論

背景:

• 母集団のドリフトは、臨床設定におけるAIモデルの堅牢性に大きな影響を与えます。
• 既存のバイアス軽減戦略は、慢性的な併存疾患の影響をしばしば無視しています。
• 多様な人口統計における正確なAI予測は、医療の改善にとって非常に重要です。

研究 の 目的:

• 主要有害心血管イベント（MACE）を予測するためのAIモデルにおける選択バイアスに対処する因果推論フレームワークを提案すること。
• 多様な患者集団および臨床設定におけるフレームワークの有効性を評価すること。
• AI駆動の臨床的意思決定の公平性と信頼性を向上させること。

主な方法:

• 交絡因子の調整を組み込んだ因果推論フレームワークを開発しました。
• ハイリスク患者データでAIモデルをトレーニングし、ローリスクおよび外部データセットで評価しました。
• 因果フレームワークを、従来の疾患分類、傾向スコアマッチング、およびバイアス除去モデルと比較しました。

主要な成果:

• 因果関係+交絡因子フレームワークは、シフトしたデータセットおよび外部データセットにおいて、ベースラインモデルと比較して優れたAUCスコアを達成しました。
• このアプローチは、交絡因子に関連する格差を効果的に最小化しました。
• 選択バイアスの軽減において、従来の最新のバイアス除去手法を上回りました。

結論:

• 因果推論と交絡因子の調整を統合することで、臨床アプリケーションにおけるAIモデルの有効性が向上します。
• 提案されたフレームワークは、公平で堅牢な臨床意思決定支援システムを作成するための有望な方法を示しています。
• このアプローチは、母集団シフトを考慮に入れることにより、医療におけるAIの信頼性と倫理的整合性を向上させます。