障害のない長寿のためのアウトカムリスクモデリング：ランダムフォレストとランダムサバイバルフォレスト手法の比較

科学分野:

• 老年医学
• 生物統計学
• ヘルスケアにおける機械学習

背景:

• イベント発生までの時間データ分析では、時間を取り入れた手法がしばしば用いられます。
• ランダムサバイバルフォレスト（RSF）は、そのようなデータのために設計されたランダムフォレスト（RF）の拡張機能です。
• ASpirin in Reducing Events in the Elderly（ASPREE）試験は、これらのモデルを評価するためのコホートを提供しました。

研究 の 目的:

• RSFおよびRFモデルの予測パフォーマンスを比較すること。
• RSFがイベント発生までの時間アウトカムに対してRFよりも優れた識別能力とキャリブレーションを提供するかどうかを判断すること。
• 時間ベースのリスク予測モデルの価値を評価すること。

主な方法:

• ASPREE無作為化対照試験のデータを利用しました。
• 米国以外の参加者またはデータが欠落している参加者は除外されました。
• 115の候補予測因子を使用して、2,291人の参加者でランダムフォレスト（RF）およびランダムサバイバルフォレスト（RSF）モデルをトレーニングしました。
• 主要なアウトカムは、認知症の発症、身体障害、または死亡の最も早い発生でした。

主要な成果:

• 主要評価項目は参加者の10.5％に発生しました。
• RFおよびRSFモデルの両方で、同様の識別指標（感度、特異度、PPV、時間依存性AUC、ハレルルの一致度）が示されました。
• Brierスコアによって評価されたキャリブレーションも、2つのモデル間で同等でした。

結論:

• ランダムサバイバルフォレスト（RSF）およびランダムフォレスト（RF）は、このコホートにおいて同等の識別能力とキャリブレーションを示しました。
• RSFは、RFよりも常に正確なアウトカム予測を提供するとは限らない可能性があります。
• 時間ベースのリスクモデリングが追加価値を提供する具体的な状況を定義するには、さまざまな臨床試験コホート全体でのさらなる研究が必要です。