日本語AIでPubMedを検索
退役軍人健康局のカイロプラクティックサービス利用率を予測するための教師付き機械学習アプローチの検討
Exploring supervised machine learning approaches to predicting Veterans Health Administration chiropractic service utilization.
PMID: 32680545 DOI: 10.1186/s12998-020-00335-4.
抄録
背景:
慢性的な脊髄痛は何百万人もの米国成人に影響を与え、直接的および間接的に高い医療費負担を強いられている。カイロプラクティックケアを含む脊椎疼痛状態に対する保存的介入は、退役軍人を含むさまざまな臨床集団において、医療費の削減と疼痛状態の改善に関連している。カイロプラクティックサービスの利用頻度など、脊椎疼痛状態に対する保存的介入の領域における医療サービス利用率の予測については、現在のところほとんど知られていない。このレトロスペクティブ・コホート研究の目的は、VAカイロプラクティックケアを受けている退役軍人による1年間のカイロプラクティックサービス利用率を予測するための教師付き機械学習アプローチの使用を検討することであった。
BACKGROUND: Chronic spinal pain conditions affect millions of US adults and carry a high healthcare cost burden, both direct and indirect. Conservative interventions for spinal pain conditions, including chiropractic care, have been associated with lower healthcare costs and improvements in pain status in different clinical populations, including veterans. Little is currently known about predicting healthcare service utilization in the domain of conservative interventions for spinal pain conditions, including the frequency of use of chiropractic services. The purpose of this retrospective cohort study was to explore the use of supervised machine learning approaches to predicting one-year chiropractic service utilization by veterans receiving VA chiropractic care.
方法:
我々は、2003年10月1日から2013年9月30日までの間に筋骨格診断コホートに登録し、コホート登録から1年以内にVAカイロプラクティックサービスを利用した退役軍人19,946人を対象とした。主要アウトカムは、指標となるカイロプラクティック訪問後の1年間のカイロプラクティックサービス利用率であり、以下のクラスで表される四分位に分割されていた。1回の訪問、2～3回の訪問、4～6回の訪問、7回以上の訪問。4つのマルチクラス分類アルゴリズム（勾配ブースト分類器、確率的勾配降下分類器、サポートベクター分類器、人工ニューラルネットワーク）を用いて、158の社会統計学的特徴と臨床的特徴を用いて訪問の四分位を予測する際の性能を比較した。
METHODS: We included 19,946 veterans who entered the Musculoskeletal Diagnosis Cohort between October 1, 2003 and September 30, 2013 and utilized VA chiropractic services within one year of cohort entry. The primary outcome was one-year chiropractic service utilization following index chiropractic visit, split into quartiles represented by the following classes: 1 visit, 2 to 3 visits, 4 to 6 visits, and 7 or greater visits. We compared the performance of four multiclass classification algorithms (gradient boosted classifier, stochastic gradient descent classifier, support vector classifier, and artificial neural network) in predicting visit quartile using 158 sociodemographic and clinical features.
結果:
選択されたアルゴリズムは、予測能力が低いことを示した。サブセット精度は，勾配ブースト分類器で42.1％，確率的勾配降下分類器で38.6％，サポートベクトル分類器で41.4％，人工ニューラルネットワークで40.3％でした．各1対1対1の分類器の精度-リコール曲線下の微小平均面積は，勾配ブースト分類器で0.43，確率的勾配降下分類器で0.38，サポートベクター分類器で0.43，人工ニューラルネットワークで0.42でした．各モデルの性能は、ナイーブ分類と比較して、予測確率がわずかに正のシフト（約15％）しか得られませんでした。
RESULTS: The selected algorithms demonstrated poor prediction capabilities. Subset accuracy was 42.1% for the gradient boosted classifier, 38.6% for the stochastic gradient descent classifier, 41.4% for the support vector classifier, and 40.3% for the artificial neural network. The micro-averaged area under the precision-recall curve for each one-versus-rest classifier was 0.43 for the gradient boosted classifier, 0.38 for the stochastic gradient descent classifier, 0.43 for the support vector classifier, and 0.42 for the artificial neural network. Performance of each model yielded only a small positive shift in prediction probability (approximately 15%) compared to naïve classification.
結論:
教師付き機械学習を用いてカイロプラクティックサービスの利用率を予測することは依然として困難であり、ナイーブな分類よりも予測確率がわずかにシフトしているに過ぎず、臨床的有用性は限られている。今後の研究では、モデルの性能を向上させるメカニズムを検討する必要がある。
CONCLUSIONS: Using supervised machine learning to predict chiropractic service utilization remains challenging, with only a small shift in predictive probability over naïve classification and limited clinical utility. Future work should examine mechanisms to improve model performance.