入院患者における急性腎障害予測モデルのドリフト分析と緩和

科学分野:

• ヘルスケアインフォマティクス
• 臨床意思決定支援
• 医療における機械学習

背景:

• 人工知能（AI）および機械学習（ML）は、臨床リスク予測および診断を強化します。
• モデルパフォーマンスは、集団の変化および進化するプラクティスによるデータドリフトにより低下します。
• 急性腎障害（AKI）の予測モデルは、時間の経過とともにパフォーマンスが低下しやすいです。

研究 の 目的:

• 電子カルテ（EHR）を使用したAKI予測モデルにおけるパフォーマンスのドリフトを調査すること。
• パフォーマンスのドリフトを軽減するためのモデル更新戦略の有効性を評価すること。
• 多様な患者サブグループ全体でのモデルパフォーマンスを分析すること。

主な方法:

• 10年以上にわたる249,749件の入院症例のEHRデータを利用しました。
• 全体母集団更新（OPU）および特定サブグループ更新（SSU）の2つのモデル更新戦略を開発および適用しました。
• 全体母集団および9つの異なるサブグループ全体での精度-再現率曲線下面積（AUPRC）を使用してモデルパフォーマンスを評価しました。

主要な成果:

• OPUおよびSSU戦略の両方で、パフォーマンスのドリフトが大幅に減少しました。 OPUは、全体で0.14、サブグループ全体で0.11のAUPRCの平均向上をもたらしました。 SSUは、サブグループ全体で0.10のAUPRCの平均向上をもたらしました。

結論:

• 動的な臨床設定においては、継続的なモデル監視が不可欠です。
• 適応型更新戦略（OPUおよびSSU）は、信頼性の高い予測パフォーマンスを維持する上で効果的です。
• データドリフトに対抗し、臨床的有用性を確保するためには、定期的なモデル再較正が必要です。