長期病欠のリスク因子の特定：説明可能なAI手法を用いたレジストリベースの研究
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：Identifying risk factors of long sickness absences: a registry-based study using explainable AI methods
雑誌名：BMJ Open. 2025 Nov 04; 15(11): e101921.
概 要：
本研究は、サービス利用や過去の病欠といった既知の予測因子以外の長期病欠のリスク因子を特定し、探求することを目的としています。機械学習と説明可能なAI手法を用い、サブモデルアプローチを採用しました。フィンランドの大規模な職業健康サービス提供者の電子医療記録データを用いて、2011年から2019年の間に健康質問票を一度でも記入した11,533人の従業員を対象にしました。
方 法：
本研究は、病欠に関する前向きに収集されたレジストリデータと健康診断で使用された質問票に基づく後ろ向き研究です。対象者は、健康質問票を記入した際にサービス利用データとリンクできる従業員で、初回健康診断を質問票記入の1年前または3ヶ月後に受けていない人々です。主要評価指標は、2年間のフォローアップ中に30日以上の長期病欠が発生する予測因子の特定です。
結 果：
サブモデル群の中で、病欠とサービス利用に関するサブモデルのAUROC値は0.68から0.74でした。社会人口学的因子、健康習慣や疾病データのサブモデルのAUROC値は0.55から0.67、質問票データのサブモデルも同様の範囲でした。全てのサブモデルを組み合わせたアンサンブルモデルのAUROC値は0.79（95% CI 0.788 to 0.794）でした。長期病欠を予測する最も重要な因子は、報告された痛み、症状や疾病の数、BMI、短い睡眠時間でした。さらに、いくつかの仕事やメンタルヘルスに関連する変数も長期病欠のリスクを高めました。
結 論：
サービス利用や病欠以外の変数が長期病欠の予測精度を向上させ、労働障害リスクに対する介入計画に有益な情報を提供する可能性が示されました。