多様なデータソースを統合した公正な機械学習モデルによる術後慢性オピオイド使用の予測：医療における倫理的機械学習の実証
カテゴリ：手術支援
公開日：2026年1月29日
タイトル：Predicting postoperative chronic opioid use with fair machine learning models integrating multi-modal data sources: a demonstration of ethical machine learning in healthcare.
雑誌名：J Am Med Inform Assoc. 2025 Jun 01; 32(6): 985-997.
概 要：
本研究は、電子健康記録（EHR）とウェアラブルデータを用いた慢性オピオイド使用の予測に関する以前の研究を基に、Health Equity Across the AI Lifecycle（HEAAL）フレームワークを活用して、遺伝子データを組み込んだモデルの性能を評価し、性別や人種に関連するバイアスを軽減するためにIBMのAIF360前処理ツールキットを適用しました。これにより、慢性オピオイド使用の予測精度を向上させることを目指しました。
方 法：
約271人の「All of Us Research Program」参加者のEHR、ウェアラブル、遺伝子データを用いたコホート研究を実施しました。新しいデータセットに基づいて4つの機械学習モデルを微調整し、SHapley Additive exPlanations（SHAP）技術を用いて最も性能の良い予測因子を特定しました。前処理ツールキットを使用して、性別と人種に関する公平性を向上させました。
結 果：
遺伝子データの追加により、モデルの性能が向上し、曲線下面積（AUC）は0.90（95% CI, 0.88-0.92）から0.95（95% CI, 0.89-0.95）に改善されました。主要な予測因子には、ドーパミンD1受容体（DRD1）rs4532、手術の一般的な種類、身体活動に費やした時間が含まれました。再重み付け前処理技術は、スタッキングアルゴリズムに適用され、性能を損なうことなく人種および性別グループ間の公平性を向上させました。
結 論：
本研究では、HEAALフレームワークの2つの次元を活用して、公正な人工知能（AI）ソリューションを構築しました。ウェアラブルおよび遺伝子データを含む多様なデータセットとバイアス軽減戦略の適用により、多様な集団におけるリスク評価をより公正かつ正確に行うことができ、医療におけるAIの公平性を促進することが期待されます。