脳卒中患者におけるうつ病評価のための解釈可能な機械学習技術の応用に関するネットワークベースの予測モデル
カテゴリ：高齢者医療・介護
公開日：2026年2月19日
タイトル：Network-based predictive models for artificial intelligence: an interpretable application of machine learning techniques in the assessment of depression in stroke patients.
雑誌名：BMC Geriatr. 2025 Mar 22; 25(1): 193. doi: 10.1186/s12877-025-05837-5.
概 要：
この研究は、脳卒中後のうつ病リスクを評価するための解釈可能な予測モデルを開発・検証することを目的としています。脳卒中は、障害の増加や生活の質の低下を引き起こす一般的な合併症です。1143人の脳卒中患者を対象に、リスク因子を特定し、5つの機械学習アルゴリズムを用いて予測モデルを構築しました。最終的に、XGBoostモデルが最も優れた識別能力を示しました。
方 法：
この研究は、2005年から2020年のNHANESデータベースから1143人の脳卒中患者を対象にした研究です。うつ病のリスク因子は、単変量および多変量ロジスティック回帰分析によって特定されました。5つの機械学習アルゴリズムを用いて予測モデルを構築し、AUCなどの評価指標を用いて性能を比較しました。また、SHAP法を用いて特徴の重要性を評価し、最終モデルを解釈しました。
結 果：
7つの特徴を用いて予測モデルを構築しました。5つの機械学習モデルの中で、XGBoostモデルが最も優れた識別能力を示し、テストセットでのROC曲線のAUCは0.746、精度は0.834でした。XGBoostモデルの予測結果はSHAPアルゴリズムを用いて詳細に解釈されました。さらに、脳卒中患者のうつ病リスクを予測するためのウェブベースの計算機も開発しました。
結 論：
本研究の解釈可能な機械学習モデルは、脳卒中患者におけるうつ病リスクの早期かつ効果的な特定を目指した臨床判断の補助ツールとして機能します。