Forecasting Oncology Demand Trends with Boosting-Based Bayesian Conjugate Models

技術サマリー：ブースティングに基づくベイズ共役モデルを用いた腫瘍学需要動向の予測

問題定義
医療需要、特に腫瘍学における需要の正確な予測は、リソース配分とサービス計画にとって不可欠である。しかし、腫瘍学部門は、診断の遅れ、個別化された治療プロトコル、不規則なフォローアップ受診に起因する患者数の高い変動性により、重大な課題に直面している。自己回帰和分移動平均（ARIMA）や指数平滑化（ETS）などの従来の時系列モデルは、構造的な変化や非定常なトレンドダイナミクスを捉えること、または事前知識を効果的に取り込むことにしばしば苦労する。さらに、長短期記憶（LSTM）ネットワークや XGBoost などの機械学習モデルは柔軟性を提供するが、動的な医療環境に必要な分析的な扱いやすさや不確実性の定量化が欠けている場合がある。ここで扱われる具体的な課題は、非定常なパターンに適応し、短期および長期的なトレンド変化の両方を追跡し、かつ閉形式の更新能力を維持できるモデルの必要性である。

手法
著者は、共役分布と残差ベースのブースティングメカニズムを組み合わせるベイズ推論フレームワークを提案する。この手法は、3 つの連続的な段階で動作する。

1. ベースモデル（ガンマ - ポアソン共役）：
   核心的な需要予測には、ガンマ - ポアソン共役対が用いられる。週次予約数（$x_t$）は、未知のレートパラメータ $\lambda_t$ を持つポアソン過程としてモデル化される。ガンマ分布は $\lambda$ に対する共役事前分布として機能する。これにより、事後分布がガンマ族に留まる逐次的ベイズ更新が可能となり、事後平均予測に対して閉形式の解が得られる。この構成要素は、需要プロセスの長期的な記憶を捉える。

2. 残差モデリング（ガンマ - 対数正規共役）：
   観測値と予測値の間の系統的な偏差に対処するため、モデルは残差を分析する。乗法的残差は、正規分布に近似させるために対数関数（$\log_p1(x) = \log(x+1)$）を用いて変換される。その後、変換された残差に対してガンマ - 対数正規共役構造が適用される。具体的には、誤差の精度はガンマ事前分布でモデル化され、平均誤差は精度に条件付けられた正規分布でモデル化される。これにより、誤差項の事後平均が、仮想証拠と実証的証拠の加重平均を表すものとして得られる。

3. ブースティングと補正：
   最終予測（$\hat{x}_{t+1}$）は、ベースのポアソン予測（$\hat{\lambda}_{t+1}$）と逆変換された誤差予測を合計することで生成される。誤差項は指数化され調整（$\exp(\hat{\mu}_{t+1}) - 1$）されて元のスケールに戻され、数値的不安定性を防ぐために max(0, ...) 関数が適用される。この加法的補正により、モデルは共役更新の分析的な扱いやすさを維持しつつ、データ生成プロセスの変化に動的に適応できる。

本アルゴリズムはオンライン学習向けに設計されており、新しいデータが到着するたびに各時間ステップで事後パラメータ（ベースモデルの $\alpha, \beta$ および誤差モデルの統計量）を更新する。

主な貢献

• ハイブリッドベイズフレームワーク： ガンマ - ポアソンベースモデルとガンマ - 対数正規残差ブースティングメカニズムの統合により、需要数と系統的なトレンド変化の両方の追跡を可能にする。
• 分析的な扱いやすさ： 共役事前分布の使用により、閉形式の逐次更新が保証され、MCMC などのシミュレーションベース手法の計算コストを回避する。これはリアルタイムまたはリソース制約のある環境において有利である。
• 明示的なトレンド方向の重視： 手法は、大きさの誤差のみを焦点とするのではなく、正しい方向の割合（POCID）指標を用いてトレンドの方向を明示的に優先する。
• 実世界での検証： 本モデルは、ブラジル・セアラ州カリリのサン・ヴィセンテ・デ・パウラ病院から得られた、2023 年 1 月から 2024 年 12 月までの 10 種類のがん（前立腺、乳房、直腸など）にわたる実世界の週次腫瘍学サービスデータで評価された。

結果
提案モデルは、5 つのベースライン（Naïve 予測、線形回帰、ARIMA、LSTM、XGBoost）と比較された。

• トレンド方向（POCID）： 提案モデルは、ほとんどの系列で最も高い POCID 値を達成し、特定のケースでは 2 番目に優れた手法を最大 38.25% 上回った。ARIMA、線形回帰、Naïve 手法と比較して、需要変化の方向を予測する際の優れた安定性と精度を示した。
• スケール感受性指標： 本モデルは、パラメトリックおよび木ベースのベースラインと比較して、誤差指標の大幅な減少を示した。中央値の減少は、ARIMA に対して MAPE で 74.5%、線形回帰に対して 77.6%、LSTM に対して 75.7%、XGBoost に対して 74.7% であった。
• 統計的有意性： 平均二乗誤差（MSE）に基づく Diebold–Mariano（DM）検定を用いると、提案モデルは 10 系列中 7 系列で 2 番目に優れたモデルを統計的に上回った。残りのケースでは結果が決定的ではなかったが、著者は提案モデルを支持するフォールバック基準を適用した。

意義と主張
本論文は、事前知識と残差ベースのブースティングの統合が、非定常な医療時系列を処理するための原理的なフレームワークを提供すると主張している。著者は、このアプローチが構造的変動に適応することに失敗する従来のモデルが失敗する領域において、需要トレンドの方向を特定する上で明確な利点を提供すると論じている。

著者はモデルの普遍性については控えめであり、以下を指摘している。

• Naïve ベンチマークに対する性能向上は系列に依存する。
• モデルの性能は、特にデータが不足している場合や非常に変動が大きい場合に、事前分布の初期化に敏感である。
• 特定の評価指標は外れ値に敏感であり、最終的な評価に影響を与えた。

今後の研究として、事前分布の引き出しのための体系的なアプローチ（実証ベイズの使用を含む可能性）の探求、および進化しつつあるデータ構造への適応性をさらに高めるために LSTM ネットワークに着想を得た短期および長期の記憶メカニズムの統合が提案されている。