緊急および集中治療における不均衡な表形式臨床データに対する機械学習の堅牢性とスケーラビリティに関する実証研究
カテゴリ：災害・救急医療
公開日：2026年6月11日
タイトル：An empirical study of machine learning robustness and scalability for imbalanced tabular clinical data in emergency and critical care.
雑誌名：Sci Rep. 2026 Jun 10; 16(1): doi: 10.1038/s41598-026-56413-9.
概 要：
本研究は、緊急部門や集中治療室における不均衡な表形式臨床データに対する機械学習モデルの堅牢性とスケーラビリティを実証的に調査しました。臨床データはしばしば不均衡であり、重要な結果が通常の結果よりもはるかに少ないため、モデルの性能が低下する可能性があります。6つのモデルファミリー（古典的機械学習、深層学習、表形式基盤モデル）を用いて、2つの大規模臨床データセット（MIMIC-IV-EDおよびeICU）からのデータを分析しました。結果はデータベースによって異なり、モデル選択は文脈依存であることが示されました。
方 法：
本研究では、MIMIC-IV-EDおよびeICUの2つの大規模臨床データセットからの不均衡な表形式データを使用し、6つのモデルファミリー（決定木、ランダムフォレスト、XGBoost、TabNet、TabICL、TabPFN v2.6）の堅牢性とスケーラビリティを評価しました。モデルの評価は、マクロF1スコア、増加する不均衡に対する堅牢性、および計算スケーラビリティに基づいて行われました。
結 果：
MIMIC-IV-EDでは、基盤モデル（TabPFN v2.6およびTabICL）が最も高いマクロF1スコアを示し、XGBoostなどの木構造モデルも競争力を保ちました。一方、eICUではXGBoostが常にリードし、基盤モデルは中間的な位置を占めました。TabNetは不均衡が増加するにつれて性能が急激に低下し、計算コストが最も高くなりました。
結 論：
不均衡な臨床表形式データに対するモデル選択は文脈に依存し、全てのデータセットおよびタスクで優れたモデルファミリーは存在しませんでした。しかし、最近の基盤モデルの進展は、XGBoostなどの古典的なベースラインとの性能差を急速に縮小させており、リソース制約のある臨床環境での展開において重要な効率と性能のトレードオフを提供する可能性があります。