MEDICINE & AI

タイトル：Evaluating fairness of machine learning prediction of prolonged wait times in Emergency Department with Interpretable eXtreme gradient boosting 雑誌名：PLOS Digit Health. 2025 Mar; 4(3): e0000751. 概　要： 本研究は、緊急治療室（ED）における患者の待機時間を予測するために機械学習（ML）を利用し、モデルの性能を評価し、異なる患者集団における待機時間予測における民族的格差を評価することを目的としています。対象は、トリアージで緊急度指数（ESI）レベル3に分類された成人患者（n=173,856件）で、長時間待機は30分以上と定義しました。極端勾配ブースティング（XGBoost）を用いて予測を行い、モデルの性能は精度、再現率、適合率、F1スコア、偽陰性率（FNR）で評価しました。SHAPを用いて特徴の重要性を解釈し、性別、人種・民族、保険の有無に基づく公平性を評価しました。結果、ED訪問の約48.43%（84,195件）が長時間待機を示しました。 方　法： 本研究は、173,856件のED訪問を対象とした後ろ向き観察研究です。成人患者（18歳以上）を対象に、XGBoostを用いて30分以上の待機時間を予測しました。モデルの性能は、AUROC（0.81）を含む複数の指標で評価され、SHAPを用いて特徴の重要性を解釈しました。公平性は、性別、人種・民族、保険の有無に基づいて評価されました。 結　果： XGBoostモデルは、ED訪問における長時間待機の予測において中程度の精度（AUROC=0.81）を示しましたが、性別、民族、保険の有無に応じて不公平が存在しました。具体的には、女性、ヒスパニック、保険未加入の患者のFNRは、対照群に比べて低い結果となりました。 結　論： XGBoostモデルは、EDにおける長時間待機の予測において受け入れ可能な性能を示しましたが、性別、人種・民族、保険の有無に基づく格差が存在しました。臨床実践におけるMLモデルの有用性を高めるためには、性能評価と公平性評価が重要です。