レジデント医師のための説明可能なマルチタスク燃え尽き症候群予測（EMBRACE）：アルゴリズム開発と検証研究

科学分野:

• ヘルスケアにおける機械学習
• ウェアラブルセンサー技術
• 医師の燃え尽き症候群研究

背景:

• 医学レジデントは、厳しいスケジュールにより高いストレスと燃え尽き症候群に直面しています。
• 既存の燃え尽き症候群の機械学習モデルには、臨床的な説明可能性が欠けています。
• ウェアラブルセンサーは、客観的な燃え尽き症候群予測の可能性を提供します。

研究 の 目的:

• 説明可能なマルチタスク燃え尽き症候群予測フレームワークであるEMBRACEを提示すること。
• 適応型深層学習を使用して、レジデント医師の将来の燃え尽き症候群を予測および説明すること。
• 説明可能なAI（XAI）技術を通じて臨床的信頼性を向上させること。

主な方法:

• 適応型マルチタスク深層学習フレームワーク（EMBRACE）を開発しました。
• 活動と燃え尽き症候群レベルの予測にウェアラブルセンサーデータを利用しました。
• モデルの解釈可能性のためにSHAP（Shapley Additive Explanations）を統合しました。
• 専有のレジデント医師データセットを含む3つのデータセットで検証しました。

主要な成果:

• EMBRACEは、データセット全体で活動、燃え尽き症候群レベル、およびアンケート回答の予測において高い精度を達成しました。
• SHAP分析により、心拍変動や座りがちな行動などの燃え尽き症候群の主要な予測因子が特定されました。
• 参加者の91％が特徴量の重要性に関する概要に満足していると回答しました。

結論:

• EMBRACEは、早期の燃え尽き症候群検出のための臨床的に説明可能で実行可能なソリューションを提供します。
• このフレームワークは、さまざまなデータセットにわたる堅牢性と一般化可能性を示しています。
• 今後の作業には、モデルのスケーリングと医師の幸福度への長期的な影響の評価が含まれます。