Stroke Prediction using Clinical and Social Features in Machine Learning

膨大な図書館を想像してみてください。そこでは、一冊一冊の本が人の一生を表しています。この論文の目的は、本が実際に壊れてしまう前に、壊れかけている数少ない本を素早く見つけ出す方法を見つけることです。これは「脳卒中」が起こる前の状態を意味します。そうすることで、手遅れになる前に修理できるのです。

以下は、著者がまさにそれを実現するために、3種類の異なる「司書」（機械学習モデル）を用いてどのようにシステムを構築しようとしたかという物語です。

問題点：稀なイベント

米国では毎年80万人が脳卒中を発症しています。これは40秒に1人というペースです。著者は、脳卒中が世界における主要な死因および障害の原因の第2位であることを指摘しています。

課題は、脳卒中が起こらない人々と比較して、脳卒中の発生が極めて稀であることです。使用されたデータセット（約5,000人）では、実際に脳卒中を発症した人は100人につきわずか5〜6人でした。これは、20個の白い大理石が入ったバケツの中から、たった一つの赤い大理石を探し出すようなものです。

著者は、年齢、血圧、BMI（体格指数）、職業、既婚かどうかといった、その人の「統計データ」を見て、リスクがあるかどうかを推測するコンピュータープログラムを作りたいと考えました。

黄金律： この特定のプロジェクトにおいて、最も重要な目標は偽陰性（False Negatives）を避けることでした。

• 偽陰性： コンピューターが「あなたは安全です」と言ったものの、実際にはその人がリスクを抱えている状態。これは危険です。なぜなら、その人が生活習慣を変えるべきであるにもかかわらず、不健康な生活を続けてしまう可能性があるからです。
• 偽陽性： コンピューターが「あなたはリスクがあります」と言ったものの、実際にはその人は安全な状態。これは煩わしく、無駄なことではありますが、著者は「念には念を」という考えから、こちらの方が重要であると判断しました。

3種類の「司書」（モデル）

著者は、コンピューターが予測を行うための3つの異なる方法をテストしました。

1. シンプルな計算機（ロジスティック回帰）

このモデルは、非常に単純な計算機のようです。年齢や体重などのすべての数値を受け取り、それぞれに特定の「重み」や重要性を与え、それらを合計して、脳卒中の確率をパーセンテージで出力します。

• 仕組み： 実際に脳卒中を発症した人々を見つけること（高い「再現率/Recall」）に優れていました。実際のケースの約76%を捉えることができました。
• 落とし穴： 少し臆病すぎました。「狼が出た！」と叫びすぎてしまったのです。リスクがあるとフラグを立てた100人のうち、実際にリスクがあったのはわずか16人でした。残りの84人は誤報でした。
• 学んだこと： これにより、年齢が脳卒中の最大の予測因子であることが確認されました。興味深いことに、このモデルはBMI（体重）の重要性を意外にも低く評価していましたが、これは医師が通常述べる内容とは矛盾しています。

2. 深い思考家（高密度ニューラルネットワーク）

このモデルは、多くの高度な数学の授業を受けた学生のようなものです。層状の「ニューラル（ニューロン）」が情報を深く処理し、シンプルな計算機が見逃してしまうかもしれない複雑なパターンを探り当てます。

• 仕組み： 全体として最も正確なモデルでした。正解を約86.5%の確率で導き出しました。また、シンプルな計算機よりも「狼が出た！」と叫ぶことが少なく（高い精度/Precision）、誤報を抑えることができました。
• 落とし穴： シンプルな計算機よりも、実際の脳卒中ケースを見逃すことがありました。助けを必要としていた人々の約半分を見逃してしまったのです。
• スピード： 学習（データからの習得）も最も速いものでした。

3. パターン発見器（畳み込みニューラルネットワーク）

このモデルは通常、写真（猫の写真を認識するなど）を見るために使われますが、著者はこれをデータのパターンを見つけるために試みました。

• 仕組み： 中間のパフォーマンスを示しました。「深い思考家」ほどの正確さはありませんでしたが、「深い思考家」よりも実際の脳卒中ケースを捉える能力は高かったです。
• 落とし穴： 学習に時間がかかり、他の2つのモデルと比較して全体的なパフォーマンスも劣っていました。

大きな発見：トレードオフ

この論文は、医学における古典的な葛藤である**「正確さ vs 安全性」**を浮き彫りにしています。

• シンプルな計算機は、安全性（ほぼ全員の病気を見つけること）には優れていましたが、正確さ（健康な人をフラグ立てしてしまうこと）には欠けていました。
• 深い思考家は、正確さ（健康な人を誤ってフラグ立てしないこと）には優れていましたが、安全性（病気の人を見逃してしまうこと）には欠けていました。

著者は、「深い思考家」が全体的なスコアでは最高であったものの、命を救うことを目的とする場合、それ単独のツールとして使うには、あまりにも多くの真の脳卒中ケースを見逃してしまうということを発見しました。

提案される解決策：チームによる取り組み

単一のモデルでは完璧になれないため、著者はヘルスケアにおける「リレーレース」方式を提案しています。

1. 第1走者： まずシンプルな計算機を使用します。たとえ間違いがあったとしても、リスクのある人をほぼ全員捉えることができるため、全員をスクリーニングするための広い網として機能します。
2. 第2走者： シンプルな計算機が「リスクあり」と判定した場合、その人を深い思考家へとパスします。このモデルは、より詳細かつ精密なチェックを行い、本当にリスクがあるかどうかを確認して、誤報を排除します。
3. セーフティネット： **パターン発見器（CNN）**を、結果を再確認するための「第三の意見」として使用することができます。

結論

論文は、将来これらのモデルをさらに改善するためには、より多くのデータが必要であると結論付けています。具体的には、より多くの情報が必要です。なぜなら、現在のデータは偏りすぎており（健康な人が多すぎ、病気の人が少なすぎる）、実際に脳卒中を発症した人々の情報が不足しているからです。

それまでは、どのモデルを「勝者」として選ぶかではなく、誰もリスクを見逃さないように、異なるモデルが連携して働くチームとしての戦略が最善の方法なのです。