MEDICINE & AI

タイトル：Optimized hybrid machine learning framework for early diabetes prediction using electrogastrograms. 雑誌名：Sci Rep. 2025 Mar 14; 15(1): 8875. 概　要： 近年、糖尿病は世界的な公衆衛生問題となっており、特に移民インド人において2型糖尿病の有病率が高いことが報告されています。本研究では、非侵襲的な方法である電気胃電図（EGG）を用いて2型糖尿病の早期予測を行う手法を提案します。50歳から65歳の正常者と2型糖尿病患者から取得したEGG信号を用い、SHAP（SHapley Additive exPlanations）やメタヒューリスティクスに基づく特徴選択法を活用して重要なEGG信号の特徴を特定しました。MH-XGBブースト分類器を用いたフレームワークを構築し、正常なEGG信号と糖尿病のEGG信号の効率的な分類を行いました。 方　法： 本研究は、50歳から65歳の正常者と2型糖尿病患者から取得したEGG信号を用いたコホート研究です。EGG信号は3つの電極を用いたデバイスで取得され、SHAPやメタヒューリスティクスに基づく特徴選択法が使用されました。主要評価指標には、精度、感度、特異度が含まれ、MH-XGB分類器はランダムフォレスト（RF）分類器および従来のXGBoost分類器と比較されました。 結　果： 提案されたMH-XGB分類器は、精度95.8%、感度100%、特異度92.3%を示し、他のベンチマークモデルよりも優れた性能を発揮しました。また、AUCは0.9545、F1スコアは0.96、偽陽性率（FPR）は0.077でした。この手法は、糖尿病の早期予測において非常に有用であることが示されました。 結　論： MH-XGB分類器は、2型糖尿病の早期予測において高い精度を示し、リアルタイムでの社会的疾病の予測に効果的に寄与する可能性があります。