[論文レビュー] Using Interpretable Machine Learning to Predict Maternal and Fetal Outcomes

Tomas M. Bosschieter, Zifei Xu+6 more|arXiv (Cornell University)|Jul 12, 2022

Statistical Methods in Epidemiology被引用数 4

ひとこと要約

本研究では、説明可能なブースティングマシン（EBM）というガラスボックス型の解釈可能な機械学習モデルを用い、222,001件の匿名化された患者を含む大規模な実世界の産科データセットを用いて、母体および胎児の合併症である重度母体モルビディティ（SMM）、肩口遅滞、早発性妊娠中毒症を予測した。EBMは、XGBoost やディープニューラルネットワークなどのブラックボックス型モデルと同等の予測性能を達成しながら、出産時刻や母体の身長といった直感に反するリスク要因を明らかにし、従来の臨床的仮定に挑戦した。

ABSTRACT

Most pregnancies and births result in a good outcome, but complications are not uncommon and when they do occur, they can be associated with serious implications for mothers and babies. Predictive modeling has the potential to improve outcomes through better understanding of risk factors, heightened surveillance, and more timely and appropriate interventions, thereby helping obstetricians deliver better care. For three types of complications we identify and study the most important risk factors using Explainable Boosting Machine (EBM), a glass box model, in order to gain intelligibility: (i) Severe Maternal Morbidity (SMM), (ii) shoulder dystocia, and (iii) preterm preeclampsia. While using the interpretability of EBM's to reveal surprising insights into the features contributing to risk, our experiments show EBMs match the accuracy of other black-box ML methods such as deep neural nets and random forests.

研究の動機と目的

• 重度母体モルビディティ（SMM）、肩口遅滞、早発性妊娠中毒症という3つの深刻な産科合併症の最も重要なリスク要因を同定および定量すること。
• 特に説明可能な機械学習モデル、すなわち説明可能なブースティングマシン（EBM）が、高い精度と透明性を備えてこれらの予後を予測する性能を評価すること。
• モデルの解釈可能性を通じて、驚きのデータ駆動型関係を明らかにすることで、従来の臨床的仮定を検証・再考すること。
• EBMが標準的ロジスティック回帰を上回る予測性能を示しながらも、完全な解釈可能性を維持できることを示し、臨床意思決定支援に適していることを示すこと。

提案手法

• 本研究では、各特徴量の単変量形状関数を学習するブースティングを用いた一般化加法モデル（GAM）の一種である説明可能なブースティングマシン（EBM）を採用した。これにより、グローバルおよびローカルな解釈性が可能となった。
• EBMは、米国20カ所の病院から得られた匿名化された臨床データセットを用いて学習された。このデータセットには408の特徴量と222,001件の患者記録が含まれており、アウトカムは臨床診断コードによって定義された。
• 特徴量は、臨床的妥当性と時間的先行性に基づいて選択された。つまり、アウトカムが発生する前に測定可能な変数のみが予測に使用された。
• モデルは、予測精度を向上させるために重要な2変数間の相互作用項を自動で同定・統合し、解釈可能性を維持した。
• モデルの性能は、AUROCとキャリブレーション曲線を用いて評価され、XGBoost、ランダムフォレスト、ディープニューラルネットワーク、ロジスティック回帰と比較された。
• 解釈可能性は、各特徴量が予測リスクに与える影響を示す形状関数を通じて可視化された。誤差棒は、外側バギングによる不確実性を示した。

実験結果

リサーチクエスチョン

• RQ1 解釈可能な機械学習モデルによって、重度母体モルビディティ（SMM）、肩口遅滞、早発性妊娠中毒症の予測において、最も重要な予測要因は何か？
• RQ2 説明可能なブースティングマシン（EBM）の性能は、XGBoost やディープニューラルネットワークなどのブラックボックス型モデルと比べてどうか？
• RQ3 EBMモデルは、従来の臨床的仮定に反する驚きの、あるいは直感に反するリスク要因の関係をどのように明らかにしたか？
• RQ4 人種や民族的背景といった人口統計的要因がリスクに与える影響はどの程度か。また、これらの影響は、臨床的および生物学的変数によってどのように媒介されるか？

主な発見

• EBMは、XGBoost、ランダムフォレスト、ディープニューラルネットワーク、ロジスティック回帰と同等のAUROCスコアを達成し、完全に解釈可能なまま高い予測性能を示した。
• SMMの最重要リスク要因は、妊娠高血圧症候群または妊娠高血圧症であり、次に、全頸部拡張から出産までの時間、および帝王切開歴が続く。
• 肩口遅滞の観点では、胎児体重が最も寄与度の高い要因であったが、膜破裂から出産までの時間、および母体の身長も顕著に重要であり、胎児サイズや母体の糖尿病の優位性に疑問を呈した。
• 早発性妊娠中毒症では、母体のBMI、前回妊娠の流産歴の回数、および妊娠前の高血圧が上位3つのリスク要因であり、44歳以上の母体年齢は強く寄与していた。
• モデルは、胎児体重が3250g～4250gの範囲で肩口遅滞リスクとほぼ線形の関係にあるという臨床的に驚きの関係を明らかにした。これは、以前に強調されていなかった閾値効果を示唆した。
• 非白人系の人種およびヒスパニック・ラテン系の民族的背景は、SMMおよび肩口遅滞の両方において高いリスクと関連していたが、医療アクセスや関連要因によって媒介されている可能性がある。