[論文レビュー] Using Deep Learning and Explainable Artificial Intelligence in Patients' Choices of Hospital Levels

Li‐Chin Chen, Yu Tsao+1 more|arXiv (Cornell University)|Jun 24, 2020

Machine Learning in Healthcare参考文献 35被引用数 4

ひとこと要約

本研究では、全国保険データを用いて、深層学習と説明可能なAI（XAI）を組み合わせ、患者の病院レベル選択を予測する。高度に不均衡なラベルでも高い性能（AUC: 0.90、正解率: 0.90）を達成した。社会的承認と医師密度が上位の予測特徴として特定され、データ表現の変更がモデルの正答率向上に寄与することを示した。

ABSTRACT

In countries that enabled patients to choose their own providers, a common problem is that the patients did not make rational decisions, and hence, fail to use healthcare resources efficiently. This might cause problems such as overwhelming tertiary facilities with mild condition patients, thus limiting their capacity of treating acute and critical patients. To address such maldistributed patient volume, it is essential to oversee patients choices before further evaluation of a policy or resource allocation. This study used nationwide insurance data, accumulated possible features discussed in existing literature, and used a deep neural network to predict the patients choices of hospital levels. This study also used explainable artificial intelligence methods to interpret the contribution of features for the general public and individuals. In addition, we explored the effectiveness of changing data representations. The results showed that the model was able to predict with high area under the receiver operating characteristics curve (AUC) (0.90), accuracy (0.90), sensitivity (0.94), and specificity (0.97) with highly imbalanced label. Generally, social approval of the provider by the general public (positive or negative) and the number of practicing physicians serving per ten thousand people of the located area are listed as the top effecting features. The changing data representation had a positive effect on the prediction improvement. Deep learning methods can process highly imbalanced data and achieve high accuracy. The effecting features affect the general public and individuals differently. Addressing the sparsity and discrete nature of insurance data leads to better prediction. Applications using deep learning technology are promising in health policy making. More work is required to interpret models and practice implementation.

研究の動機と目的

• 選択可能な医療提供者がある制度において、非合理的な患者の選択が引き起こす医療資源の非効率的使用を是正すること。
• 実世界の全国保険データを用いて、患者の病院レベル選択意思決定をモデル化すること。
• 説明可能なAI（XAI）を用いて、一般公衆および個別レベルのインサイトを得るため、モデルの予測を解釈すること。
• 不均衡な医療データにおけるモデル性能に与えるデータ表現の変更の影響を評価すること。
• 患者行動に関するデータドリブンで解釈可能なインサイトを提供することで、健康政策立案を支援すること。

提案手法

• 既存の文献から得た特徴量を用いて、全国保険請求データ上で深層ニューラルネットワークを学習した。
• 患者の病院レベル選択における極度に不均衡なラベル分布に対処するための技術を適用した。
• 集団レベルおよび個別レベルの両方で特徴量の寄与度を評価するために、説明可能なAI手法（例：SHAP や LIME に類似した解釈法）を用いた。
• モデルの汎化性能と予測力向上を図るため、データ表現の変換を検討した。
• 標準指標（AUC、正解率、感度、特異度）を用いてモデルの性能を評価した。
• 訓練済みモデルからの特徴量重要度分析を通じて、上位寄与特徴量を同定した。

実験結果

リサーチクエスチョン

• RQ1 高度に不均衡なデータを前提とした場合でも、深層学習モデルは病院レベル選択を正確に予測できるか？
• RQ2 患者関連および提供者関連の特徴量の中で、病院レベル選択意思決定に最も顕著に影響を与えるのはどれか？
• RQ3 社会的認識と地域の医療従事者数の有効性は、患者の選択にどのように影響するか？
• RQ4 本文脈において、データ表現の変更が予測性能にどの程度向上効果をもたらすか？
• RQ5 説明可能なAI手法は、公共政策および個別レベルの理解の両方において、モデル意思決定を効果的に解釈できるか？

主な発見

• 深層学習モデルは受診者反応曲線下の面積（AUC）が 0.90 に達し、強力な識別能力を示した。
• 正解率は 0.90 に達し、感度 0.94、特異度 0.97 を示し、不均衡データにおいても堅牢な性能を発揮した。
• 一般大衆による病院への社会的承認が、上位に影響を与える特徴量の一つとして特定された。
• 地域内10,000人あたりの実務医師数も、もう一つの上位予測特徴量であった。
• データ表現の変更により、モデルの予測性能に顕著な向上が見られた。
• 特徴量重要度分析により、一般集団と個別意思決定における影響パターンの差が明らかになった。