説明可能な機械学習とベイジアンハイパー最適化を用いた長期介護施設データからの認知機能障害予測

科学分野:

• 老年学および老年医学
• ヘルスケアにおける人工知能
• データサイエンスおよび予測分析

背景:

• 介護施設居住者は、健康転帰の予測における課題をもたらす、膨大で異種混在のデータを生成する。
• 人工知能（AI）は、死亡率や認知機能障害（CI）などの転帰予測に有望であることを示している。
• CI予測のための最も正確な情報源（IS）を特定することは、依然として重要な課題である。

研究 の 目的:

• 介護施設居住者のCI予測のための統合AIフレームワークを提示すること。
• 調和した時系列モデリング、ベイジアン最適化、XGBoost、およびSHAPを組み合わせて、解釈可能なCI予測を行うこと。
• 臨床指標や活動記録を含む多様な情報源の予測力を評価すること。

主な方法:

• 時系列モデリング、ベイジアンハイパーパラメータ最適化、XGBoost、およびSHAPを統合したAIフレームワークを開発した。
• 2,608人の介護施設居住者からの13年間の縦断データを利用した。
• 患者レベルのグルーピングと時系列ブロッキングを用いた、ネストされた5x3交差検証スキームを採用した。

主要な成果:

• AIフレームワークは、認知機能障害スケール（MMSE、GDS、Barthel）に対して堅牢な予測性能を達成した。
• 臨床変数のみを使用した場合と比較して、すべての情報源を統合することで予測精度が向上した。
• 臨床変数は、タスク全体を通じて一貫して最も情報量の多い情報源であることが証明された。

結論:

• 統合AIフレームワークは、異種混在の長期介護データからのCI予測を強化する。
• このアプローチは、異なる情報源の寄与に関する解釈可能な洞察を提供する。
• 本研究の結果は、介護施設居住者のための個別化されたデータ駆動型ケア戦略の開発を支持する。