肺がん切除術後の術後せん妄の予測：モデル解釈のための合成データとLIMEアルゴリズムの有用性

科学分野:

• 医療における人工知能
• 計算生物学
• 医療情報学

背景:

• 肺がん切除後の術後せん妄（POD）は、重大な臨床的課題です。
• 既存の予測モデルは、サンプルサイズが小さいことが多く、臨床的有用性が制限されています。
• 特に肺摘出後のPODを予測するための、堅牢なAI駆動型モデルの必要性があります。

研究 の 目的:

• 肺がん切除後のPODを予測するための効率的なAIモデルを開発すること。
• 少サンプルシナリオにおけるAIモデルのトレーニングのための合成データ生成（Synthetic Data Vault [SDV]）の有効性を評価すること。
• 局所解釈可能モデル非依存型説明（LIME）を使用してモデルの解釈可能性を高めること。

主な方法:

• トレーニングのためにSDVを使用して合成データ（2,000件）を生成し、テストのためにFigshareから実世界のデータ（570件）を使用しました。
• ガウスナイーブベイズ（GNB）やランダムフォレストを含む12の機械学習アルゴリズムを評価しました。
• 50%のクロスバリデーションによる精度、再現率、F1スコア、および曲線下面積（AUC）を使用してパフォーマンスを評価しました。特徴量の重要度分析にはLIMEを使用しました。

主要な成果:

• PODの主要な予測因子として、術前の血糖値、努力呼気量（VC）、平均赤血球容積（MCV）、および術前のアルブミンが特定されました。
• GNBは実世界のデータセットで89.8%の精度を達成し、精度、再現率、F1スコアでトップとなりました。
• LinearSVCは最も高いAUC（0.763）を達成し、続いてロジスティック回帰とGNB（0.727）となりました。

結論:

• 合成データは、実世界のデータが限られている場合でも、POD予測のためのAIモデルのトレーニングを効果的にサポートします。
• GNBは強力なパフォーマンスを示し、POD予測の候補アルゴリズムとなる可能性があります。
• この研究は、解釈可能で正確なPOD予測モデルの開発におけるAIとLIMEの実現可能性を強調しています。