医学生の包括的評価におけるパフォーマンス予測のための説明可能な人工知能
カテゴリ：医学教育
公開日：2026年2月19日
タイトル：Explainable artificial intelligence for predicting medical students' performance in comprehensive assessments
雑誌名：Sci Rep. 2025 Jul 03; 15(1): 23752.
概 要：
この研究は、医学生の臨床能力を評価するための包括的な医療評価において、AIを活用したパフォーマンス予測モデルを開発することを目的としています。従来のモデルは解釈性と信頼性に欠けており、教育的意思決定に適していませんでした。本研究では、学業成績と非学業属性を統合した機械学習フレームワークを用い、3つの大学での高リスク評価（CMPIEとCCA）を対象に検証しました。結果、スタッキングメタモデルは優れた識別性能を示し、教育者がカリキュラム改革を優先し、リスクのある学生への早期介入を行うための洞察を提供しました。
方 法：
本研究は、997人の学生を対象としたCMPIE（2ヶ月予測）と777人の学生を対象としたCCA（1年予測）を用いた後ろ向きコホート研究です。スタッキングメタモデルは、Random Forest、Adaptive Boosting、XGBoostを組み合わせたアンサンブル技術を使用し、AUC-ROC値はCMPIEで0.97、CCAで0.99、F1スコアはそれぞれ0.966、0.994を達成しました。
結 果：
このフレームワークでは、SHAPを用いてモデルの論理を明確にし、成功の主要な予測因子として高影響のコースを特定しました。これにより、教育者はカリキュラム改革を優先し、リスクのある学生に対して個別のフィードバックを提供することが可能となりました。
結 論：
説明可能なAIを活用したこのフレームワークは、医学生のパフォーマンス予測において高い精度を示し、教育者が早期介入を行うための重要な情報を提供することが期待されます。これにより、学習成果の向上が図られる可能性があります。