肺癌患者の入院期間予測のための説明可能な機械学習フレームワーク

本研究は、機械学習（ML）モデルを用いた肺癌患者の予測入院期間（LOS）フレームワークを紹介します。このフレームワークは、電子健康記録（EHR）を使用した分類ベースのアプローチのために不均衡データセットを処理することを提案しています。我々は、MIMIC-IIIデータセットを使用して、ICU入院中の肺癌患者の入院期間を予測するために、監視型ML手法を利用しました。ランダムフォレスト（RF）モデルは、他のモデルよりも優れた結果を示し、三つのフレームワークフェーズ中に予測結果を達成しました。臨床的に重要な特徴の選択により、オーバーサンプリング手法（SMOTEとADASYN）は、最高のAUC結果（98%、CI 95%: 95.3-100% および 100%）を達成しました。オーバーサンプリングとアンダーサンプリングの組み合わせは、二番目に高いAUC結果（98%、CI 95%: 95.3-100%、および97%、CI 95%: 93.7-100% SMOTE-TomekおよびSMOTE-ENN）を達成しました。アンダーサンプリング手法は、両方の（ENNとTomek-Links）で最も重要でないAUC結果（50%、CI 95%: 40.2-59.8%）を報告しました。SHAPというMLの説明可能技術を用いて、RFモデルの予測モデルの結果を説明し、RFモデルを使用して肺癌の入院期間を予測する際に寄与した最も重要な臨床的特徴を理解しました。我々の有望なフレームワークにより、ML技術を病院の臨床情報システムに適用して、ICUへの肺癌入院を予測できます。