MEDICINE & AI

タイトル：Integrating probabilistic trees and causal networks for clinical and epidemiological data 雑誌名：Artif Intell Med. 2026 Mar; 173: 103350. 概　要： 本研究は、医療における意思決定において、正確な予測だけでなく、患者の結果に影響を与える要因の理解が重要であることを強調しています。従来の機械学習モデルは予測に優れていますが、介入に関する「もしも」の質問には対応できません。本研究では、因果ベイジアンネットワーク（CBN）と確率木（PTree）を統合した「確率的因果融合（PCF）」フレームワークを提案し、予測を超えた因果関係の定量化や仮想的介入のシミュレーションを可能にします。PCFは、MIMIC-IV、フラミンガム心臓研究、BRFSS（糖尿病）という3つの臨床的に多様な実データセットで評価され、従来の機械学習モデルと同等の予測性能を示しつつ、解釈性と因果推論能力を向上させています。 方　法： この研究は、PCFフレームワークを用いて、3つの実データセット（MIMIC-IV、フラミンガム心臓研究、BRFSS）で評価されました。PCFは、因果ベイジアンネットワークからの因果関係を利用して確率木を構築し、介入モデルと反事実分析を統合しています。感度分析とSHAP（SHapley Additive exPlanations）を取り入れ、結果に対する因果パラメータの影響を定量化し、個々の特徴の重要性を強調しています。 結　果： PCFは、従来の機械学習モデルと同等の予測性能を示し、Length of Stay（LOS）、冠動脈心疾患（CHD）、糖尿病に関する感度分析を通じて因果パラメータの影響を定量化しました。また、SHAPを用いて個々の予測に対する特徴の重要性を明らかにしました。これにより、因果経路に関するマクロレベルの洞察と個別の予測に対するミクロレベルの説明が提供されました。 結　論： PCFフレームワークは、因果推論と予測モデリングを統合し、臨床的直感とデータ駆動の洞察のギャップを埋めることが示されました。このアプローチは、修正可能な要因間の関係を明らかにし、仮想的シナリオをシミュレーションする能力を持ち、医療現場でのより情報に基づいた意思決定を支援します。