ツリー構造パルゼン推定器によるハイパーパラメータの最適化による糖尿病予測の改善
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：Optimising hyperparameters with a tree structured Parzen estimator to improve diabetes prediction
雑誌名：Sci Rep. 2025 Oct 10; 15(1): 35430.
概 要：
この研究は、膵臓がインスリンを分泌できなくなるか、インスリン生産が著しく減少することで発生する糖尿病の早期発見を目指しています。従来のリスク予測モデルは、臨床データに基づく回帰分析に依存していますが、精度と一般化可能性に限界があります。本研究では、機械学習技術、特にOptunaで最適化されたXGBoostアルゴリズムを用いて、 laboratory parametersに基づく高リスク患者の予測を向上させる診断戦略を提案します。オープンアクセスの糖尿病データセットを使用し、データ前処理にはAdaptive Tree-Structured Parzen Estimator（ATPE）とXGBoostモデルを利用しました。提案モデルは、従来の分類モデルを上回る83%の精度を達成しました。
方 法：
この研究は、オープンアクセスの糖尿病データセットを用いた機械学習に基づくコホート研究です。データには患者の人口統計、検査結果、臨床結果が含まれ、データ前処理にはATPEとXGBoostモデルが使用されました。主要評価指標は、精度83%、適合率80%、再現率78%、F1スコア78%です。
結 果：
提案したモデルは、従来の分類モデルに対して優れた性能を示し、83%の精度、80%の適合率、78%の再現率、78%のF1スコアを達成しました。相関および混同行列の評価により、高リスク患者の識別におけるモデルの有効性が確認されました。
結 論：
機械学習に基づくリスク分類フレームワークと検査結果に基づく診断戦略の統合は、予測精度と患者の層別化を改善する可能性があります。今後の研究では、ウェアラブルデバイスからのリアルタイムデータの統合や、他の慢性疾患や希少疾患へのモデル展開を探求することが求められます。