説明可能なAIによる死亡率予測：MIMIC-IIIデータセットを用いた比較研究 | JoVE Visualize

科学分野:

医療情報学
ヘルスケアにおける人工知能
臨床意思決定支援システム

背景:

集中治療室（ICU）における患者の死亡率予測は、治療の最適化とリソース管理にとって非常に重要です。
機械学習（ML）モデルは、ICUの死亡率予測において従来のスコアリングシステムを上回る可能性を示しています。
MLの「ブラックボックス」性質は臨床での採用を妨げており、説明可能なAI（XAI）手法が必要とされています。

研究の目的:

MIMIC-IIIデータセットを使用して、ICUの死亡率予測におけるさまざまな機械学習アルゴリズムの精度を評価すること。
SHapley Additive exPlanations (SHAP) を使用して、死亡率の主要な予測因子を特定するためにXAI技術を適用すること。
解釈可能な機械学習モデルが臨床的意思決定を支援する可能性を評価すること。

主な方法:

MIMIC-IIIデータベースからの600件の患者記録の後ろ向き分析。
8つのMLアルゴリズム（SVM、KNN、DT、GB、RF、NB、LR、ET）の実装と比較。
3倍交差検証、F1スコア、感度、特異度、精度を使用したモデルパフォーマンス評価。
重要な死亡率予測因子の特定のためのSHAPの適用。

主要な成果:

Extra Trees (ET) および Gradient Boosting (GB) は、F1スコア 96% 以上で最高の精度（それぞれ 98.33%、98.23%）を達成しました。
Support Vector Machine (SVM) も強力なパフォーマンスを示しました（精度 97.50%）。
SHAP分析により、高血圧、腫瘍、内分泌/消化器疾患が主要な死亡率予測因子であることが特定されました。

結論:

MLアルゴリズム、特にETおよびGBは、ICUの死亡率予測に非常に効果的です。
説明可能なAI（XAI）は、信頼を構築し、臨床現場でのMLの採用を促進するために不可欠です。
解釈可能なMLモデルは、情報に基づいたICUの意思決定を安全にサポートし、患者のアウトカムを改善できます。