深層学習と説明可能性手法を用いた地域薬局における生活の質分析

科学分野:

• 臨床情報学
• ヘルスケアにおける機械学習
• 患者の生活の質研究

背景:

• 慢性疾患は患者の生活の質に大きな負担をもたらします。
• 地域薬局は、臨床データ収集のためのアクセスしやすい環境を提供します。
• 生活の質に影響を与える主要因を特定することは、慢性疾患の個別化された管理にとって重要です。

研究 の 目的:

• 地域薬局からの臨床データを処理するための深層学習モデルを開発および評価すること。
• 慢性疾患患者の健康関連生活の質に影響を与える主要変数を特定すること。
• モデルの解釈可能性のために、グローバルおよびローカルの説明可能性手法を利用すること。

主な方法:

• 347人の慢性疾患患者から257の変数に関するデータを分析しました。
• 5つの予測モデル（勾配ブースティング、ランダムフォレスト、LightGBM、完全連結ニューラルネットワーク（FCNN））を比較しました。
• グローバル変数重要度にはSHapley Additive exPlanations（SHAP）を、ローカル解釈にはLocal Interpretable Model-Agnostic Explanations（LIME）を適用しました。

主要な成果:

• 完全連結ニューラルネットワーク（FCNN）アンサンブルが最高のパフォーマンス（R² = 0.511 ± 0.126）を達成しました。
• 説明可能性分析により、痛み、移動能力の制限、β遮断薬の使用、不安/うつ病、日常生活の困難さが主要な影響変数として特定されました。
• 深層学習モデルは、臨床変数と心理社会的変数の間の複雑な関係をうまく捉えることに成功しました。

結論:

• 深層学習モデルは、SHAPおよびLIMEと組み合わせて、個別化された慢性疾患ケアのための臨床的に解釈可能な洞察を提供します。
• 地域薬局は、データ収集および予測モデルの適用に実用的な設定です。
• 機械学習は、生活の質に影響を与える重要な要因を特定することにより、慢性疾患管理における個別化された意思決定をサポートします。