椎間板ヘルニア再発予測のためのハイブリッドアンサンブル学習フレームワーク：教師ありモデル、異常検出、およびしきい値最適化の統合

背景：腰椎椎間板ヘルニア（LDH）の再発は、早期の特定と個別化介入をサポートするための限られた予測ツールがある中で、依然として喫緊の臨床的課題である。腰椎椎間板ヘルニア（LDH）後の再発を予測することは臨床的に重要であるが、極端なクラス不均衡と低い信号対ノイズ比のためにアルゴリズム的に困難である。目的：本研究は、日常の臨床データを使用してLDH再発を予測するために、教師あり分類器、教師なし異常検出、および意思決定しきい値調整を統合したハイブリッド機械学習フレームワークを提案する。方法：ルーマニアの神経外科センターからの977人の患者のデータセットを使用した。深層ニューラルネットワーク、ランダムフォレスト、自動エンコーダー（非再発ケースのみに基づいて訓練）を訓練し、ベースラインおよび異常パターンをモデル化した。それらの出力はメタ分類器に積み重ねられ、感度に焦点を当てたしきい値調整により最適化された。評価は層化交差検証と外部保持テストを通じて行われた。結果：ベースラインモデルは高い精度を達成したが、再発ケースを検出することができなかった（感度0%）。提案されたアンサンブルは内的に100%のリコールを達成し、しきい値は0.05であった。主要な予測因子には入院期間、L4–L5ヘルニア、肥満、および高血圧が含まれた。ただし、外部保持でのパフォーマンスはリコール0%に低下し、一般化が不良であることが明らかになった。結論：アンサンブルアプローチは内部検証下での稀な再発ケースの検出を強化するが、外部パフォーマンスは不良を示し、臨床データセットにおける稀なイベントモデリングの課題を強調する。今後の研究では、外部検証、縦断的モデリング、および解釈可能性を優先して、臨床的採用を確保すべきである。