MEDICINE & AI

タイトル：Strategies for detecting and mitigating dataset shift in machine learning for health predictions: A systematic review. 雑誌名：J Biomed Inform. 2025 Oct; 170: 104902. 概　要： 本レビューは、健康予測における機械学習（ML）アプリケーションにおけるデータセットシフトを特定し修正するための方法と技術に関する文献の包括的な概要を提供することを目的としています。2019年1月1日から2025年3月15日までに発表された記事を対象に、PubMed、IEEE Xplore、Scopus、Web of Scienceで系統的な検索を行いました。32件の研究が含まれ、データセットシフトの種類、検出および修正戦略、アルゴリズムの選択、モデル性能への影響が評価されました。 方　法： 本研究は、2019年1月1日から2025年3月15日までに発表された文献を対象にした系統的レビューです。PubMed、IEEE Xplore、Scopus、Web of Scienceを検索し、機械学習、ヘルスケア、データセットシフトに関連する用語を組み合わせた検索文字列を使用しました。最終的に32件の研究が選定され、データセットシフトの種類、検出および修正戦略、アルゴリズムの選択、モデル性能への影響に基づいて評価されました。 結　果： レビューでは、さまざまなデータセットシフトの種類が特定され、時間的シフトと概念の漂流が最も一般的に扱われていました。モデルベースのモニタリングと統計テストが最も頻繁に使用される検出戦略であり、再訓練と特徴エンジニアリングが主な修正アプローチでした。多くの方法は中程度の解釈可能性、計算の実現可能性、一般化可能性を示しましたが、標準化された性能指標や外部検証の欠如が研究間の結果の比較可能性を制限しました。 結　論： 健康関連のMLモデルにおけるデータセットシフト管理のための有望なアプローチがいくつか提案されていますが、特定のユースケースに広く一般化できる単一の方法は見出されませんでした。これらの技術の実世界の臨床ワークフローへの実装は限られています。今後の研究では、前向き評価、サブグループ特異的分析（人種、年齢、地理的地域別など）、臨床意思決定支援システムへの統合を優先し、ヘルスケア環境における堅牢で公平なMLの展開を確保する必要があります。実用的な採用を支援するために、構造化された要約表と概念的なパイプライン図が提供されています。