説明可能なAIが転倒予測における時間的リスク経路を明らかにする：マルチホライゾン機械学習モデルから臨床的洞察を抽出する

科学分野:

• 老年学
• 医療情報学
• 機械学習

背景:

• 転倒は、高齢者集団における傷害および臨床的懸念の重大な原因となります。
• 現在の機械学習（ML）モデルは、静的な転倒リスク予測を提供することが多く、時間とともに変化するリスクファクターの性質を捉え損ねています。

研究 の 目的:

• 複数の時間的視野にわたる転倒リスクを予測するための説明可能なMLフレームワークを開発および評価すること。
• 様々な時間スケールでの転倒リスクの急性および慢性の臨床的ドライバーを区別すること。

主な方法:

• 約20万人の患者の電子カルテ（EHR）データを使用した、後向き症例対照研究。
• 7つの異なる時間ウィンドウ（3〜60か月）にわたる転倒リスクを予測するために、7つのMLモデル（XGBoostが最良のパフォーマンスを示した）をトレーニングしました。
• 時間的予測因子の重要性を分析するために、モデルの解釈可能性にSHAP（SHapley Additive explanations）を採用しました。

主要な成果:

• パフォーマンスのトレードオフが観察されました。短期モデル（3〜12か月）はバランスの取れた識別（AUC≈0.75）を提供しましたが、長期モデル（最大60か月）は特異度（≈46％）を犠牲にして再現率（≈80％）を向上させました。; SHAP分析により、急性状態（例：失神、UTI）が短期リスクを支配する一方、慢性状態（例：脊椎症、栄養失調）が長期リスクを予測するという、異なる時間的ドライバーが明らかになりました。; 特定の臨床プロファイルに関連する、増加、安定、減少の3つの異なる転倒リスク軌道を特定しました。

結論:

• 転倒リスクは動的なプロセスであり、時間認識型の予測モデルが必要です。
• 急性トリガーと慢性の脆弱性を区別することで、個別化された時間調整型の転倒予防戦略が可能になります。
• このマルチホライゾンアプローチは、静的なリスクラベルを超えた、転倒予防の新しいパラダイムのためのデータ駆動型の基盤を提供します。