[論文レビュー] Survival Meets Classification: A Novel Framework for Early Risk Prediction Models of Chronic Diseases

Sajid Aleem Khan, Muhammad Usamah Shahid+1 more|arXiv (Cornell University)|Mar 12, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

この論文は、生存分析と分類を統合して、ラボ検査データを使わない非ラボEMRデータから5つの慢性疾患の早期警告リスク予測モデルを構築し、生存フォレストベースの手法を臨床医による解釈性で検証した。

ABSTRACT

Chronic diseases are long-lasting conditions that require lifelong medical attention. Using big EMR data, we have developed early disease risk prediction models for five common chronic diseases: diabetes, hypertension, CKD, COPD, and chronic ischemic heart disease. In this study, we present a novel approach for disease risk models by integrating survival analysis with classification techniques. Traditional models for predicting the risk of chronic diseases predominantly focus on either survival analysis or classification independently. In this paper, we show survival analysis methods can be re-engineered to enable them to do classification efficiently and effectively, thereby making them a comprehensive tool for developing disease risk surveillance models. The results of our experiments on real-world big EMR data show that the performance of survival models in terms of accuracy, F1 score, and AUROC is comparable to or better than that of prior state-of-the-art models like LightGBM and XGBoost. Lastly, the proposed survival models use a novel methodology to generate explanations, which have been clinically validated by a panel of three expert physicians.

研究の動機と目的

• 糖尿病、高血圧、CKD、COPD、CHDの5つの慢性疾患について、ラボ検査を除く通常のEMRデータを用いた早期リスク監視モデルを開発する。
• 臨床現場での実用性を考慮した分類推論を生成するように生存モデルを再設計する。
• SHAPベースの方法を用いて生存モデルの決定を解釈可能に説明する。
• 専門医のレビューを通じて特徴セットとモデルワークフローを検証し、臨床的関連性を確保する。

提案手法

• 生存モデルを再設計して、効率的な分類とリスク予測を可能にする。
• 分類を生存から導出する3つの手法を導出する：RS（リスクスコア閾値）、SP（最後の時点の生存確率を0.5閾値とする）、LN（生存木の葉ノード分布）。
• 木構造アンサンブルモデル（Random Forest、XGBoost、LightGBM）とRandom Survival Forest（RSF）を、3つのデータ準備アプローチで分類器として適用する。
• 5疾病にわたるF1、C-index、AUROC、AUPRCで性能を評価し、生存ベースの分類と従来の分類器を比較する。
• モデルが生成した2値予測を入力としてKernelExplainerに渡す独自のSHAPベース手法でRSFの決定を説明し、SurvSHAPと照合して検証する。

(a) Approach 1: Similar

実験結果

リサーチクエスチョン

• RQ1 生存モデルを再設計して、時点リスクだけでなく疾病分類も正確に提供できるか。
• RQ2 EMRデータから生存から生涯リスクを導出する際、どのデータ準備アプローチが最良の分類性能をもたらすか。
• RQ3 検査データが欠如したEMRデータにおける早期疾病リスク予測で、RSFベースの分類は従来の分類器（RF、XGBoost、LightGBM）と比べてどうか。
• RQ4 surrogate モデルなしで生存モデルの決定に臨床的に意味のある説明を生成できるか、臨床医によって検証されるか。

主な発見

Disease	C Index	Accuracy	Precision	Recall	NPV	Specificity	AUROC	AUPRC	F1 score
高血圧	0.709	0.742	0.723	0.779	0.764	0.705	0.828	0.819	0.755
Heart	0.741	0.788	0.758	0.838	0.823	0.739	0.869	0.852	0.819
CKD	0.729	0.789	0.767	0.827	0.814	0.751	0.870	0.859	0.796
COPD	0.730	0.784	0.761	0.815	0.809	0.753	0.869	0.871	0.799
Diabetes	0.728	0.784	0.819	0.733	0.756	0.836	0.872	0.896	0.778

• 生存フォレストベースの分類は競争力のあるF1スコアを達成し、いくつかのデータ準備アプローチ下で従来の分類器を上回った。
• アプローチ2（Overlap）およびアプローチ3（Distinct）は一般にアプローチ1より検証指標を改善し、RSF+SP/LNがしばしば良い結果をもたらした。
• テストセットでは、SP、LN、RS法を用いたRSFは疾患全般で高いAUROCとAUPRCを示し、高血圧が最も予測が難しかった。
• 全体として、生存確率ベースの分類（SP）は、生存出力からクラスラベルへの移行が滑らかなため、実世界の展開に現実的な道を提供する。
• SHAPベースの独自手法による解釈はSurvSHAPと密着しており、臨床医の検証を得ている。

(b) Approach 2: Overlap