病院に足を踏み入れた瞬間、そこで発生するであろう費用について何も知らされない状況を想像してみてください。しかし、もし機械がこれらの費用を驚くほど正確に予測できたとしたらどうでしょうか？最近の研究では、心血管疾患患者の入院期間と治療費を予測するための、説明可能なAIベースの機械学習モデルの開発において大きな進歩が遂げられています。
## 世界的な健康問題
心血管疾患（CVD）は世界中で死亡原因の第1位であり、医療制度に大きな経済的影響を与えています。入院中のCVD患者において、血管形成術や冠動脈バイパス移植術（CABG）などの処置は、入院期間の延長と治療費の高騰を伴います。そのため、臨床および管理上の意思決定を支援する堅牢な予測ツールの必要性は極めて重要です。
## 壮大な規模の研究
この応用的、後ろ向きの予測モデリング研究は、2024年にイランのテヘランにある専門の心血管クリニックで実施されました。 2022年から2023年の間に血管形成術またはCABGを受けた成人入院患者7,685名のコホートを分析しました。4つのアウトカム（入院期間（LOS）、患者の自己負担額（OOP）、保険会社の支払い、総治療費）を予測するために、8つの回帰分析に基づく機械学習アルゴリズムが開発されました。
本研究では、すべての予測タスクにおいて一貫して他のモデルを凌駕する高性能モデルであるXGBoostを採用しました。テストセットにおいて、XGBoostは入院期間でR^2値が0.7802、患者の自己負担額で0.8473、保険会社の支払いで0.8946、総費用で0.6437を達成しました。SHAP分析の結果、入院期間、介入の種類、年齢、併存疾患が主要な予測因子であることが明らかになりました。
## 臨床的に実装可能なソリューション
本研究では、心血管ケアにおける入院期間と治療費を予測するための、包括的で説明可能かつ臨床的に実装可能な機械学習フレームワークを提示します。高性能モデルを説明可能なAIと実世界アプリケーションと統合することで、このアプローチは、病院のリソースプランニングを強化し、患者アウトカムを最適化するためのスケーラブルなソリューションを提供します。
今後の研究では、モデルの一般化可能性を高めるために、複数の病院や医療システムにおける外部検証に焦点を当てる必要があります。さらに、より広範な臨床的および社会経済的変数を統合することで、予測性能がさらに向上し、開発された意思決定支援ツールの適用範囲が拡大する可能性があります。
