技術的概要：因果隠れマルコフモデルを用いた異質な診断バイアスの補正

問題定義

通常の電子健康記録（EHR）を用いて開発された臨床予測モデルは、しばしば異質な診断バイアスに悩まされます。通常の医療現場では、臨床的要因により高リスクと判断された個人、または特定の人口統計学的グループ（例：性別、民族、社会経済的地位）に属する個人は、他の人々よりも頻繁に検査を受ける傾向があります。その結果、差別的診断遅延が生じ、特定のグループは同等の検査条件であれば診断されるはずだった時期よりも遅く診断される、あるいは過少診断されることになります。

その結果、そのようなデータで訓練されたモデルは、真の潜在的な疾患リスクではなく、観測された診断率を予測するように学習してしまいます。これにより、過少診断されたグループのリスクが体系的に過小評価され、較正エラーや臨床的意思決定における潜在的な不公平を引き起こします。「真の」疾患状態は診断されていない個人には観測されず、またバイアスは患者属性と医療システムの検査行動との相互作用によって駆動されるため、標準的なアプローチではこの問題に対処できないことがよくあります。

手法

著者らは、このバイアスを補正するために隠れマルコフモデル（HMM）を利用した因果推論フレームワークを提案します。このアプローチは主に以下の 3 つの構成要素を含みます：

1. 有向非巡回グラフ（DAG）による因果モデリング

著者らは以下の DAG を定義します：

• $X_n$: 基準共変量（リスク因子）。
• $A_n$: 疾患リスクと検査確率の両方に影響を与える観測可能性属性（例：性別、民族、併存疾患）。
• $\tilde{A}_n$: 疾患段階に条件づけた検査決定に特異的に影響を与える $A_n$ の現れ。
• $S_{n,t}$: 潜在的な疾患段階（0: 疾患なし、1: 初期段階、2: 後期段階）。
• $R_{n,t}$: 検査結果（陰性、初期陽性、後期陽性、または検査なし）。
• $D_{n,t}$: 診断（検査が陽性の場合に発生）。

目標は、反実仮想推定量を推定することです。すなわち、$P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$ であり、これは個人が実際の疾患進行とリスク因子を保持しつつ、参照グループ（通常は診断遅延が最も短いグループ）の検査率にさらされた場合の診断確率を表します。

2. 隠れマルコフモデルの定式化

縦断的疾患プロセスは、以下の要素を持つ HMM としてモデル化されます：

• 遷移カーネル（$Q$）: 疾患段階間の移動確率（0 $\to$ 1 $\to$ 2）を定義します。これは回復不可能な進行性疾患を仮定しています。「疾患なし」から「初期段階」への遷移はハザード関数 $h(X_n, A_n, t)$ によって支配され、「初期」から「後期」への遷移は定数確率 $\beta_{S=1 \to 2}$ によって支配されます。
• 放出確率（$\Gamma$）: 潜在的な段階 $S_{n,t}$ と観測可能性属性 $A_n$ が与えられたときの、検査結果 $R_{n,t}$ を観測する確率を定義します。重要なのは、初期段階疾患の検査率（$\beta_{S=1, A_n}^R$）が $A_n$ によって変動することを許容し、診断の異質性を捉える点です。後期段階の検査率は重度の症状により $A_n$ に依存しないと仮定されます。
• 初期状態（$\pi$）: 基準時点における疾患段階の確率分布。

モデルパラメータは、観測されていない潜在状態を周辺化し、フォワードアルゴリズムと勾配ベースの最適化（PyTorch における L-BFGS）を用いた最尤法によって推定されます。

3. 反実仮想結果の代入

HMM が適合した後、この手法は標準的な予測モデルを訓練するための反実仮想データセットを生成します：

1. 再構成: HMM は、各個人の観測された検査履歴に基づき、潜在的な疾患軌道の確率を推定します。
2. 介入: 放出確率を参照グループの検査率（$\tilde{A}_n = 0$）を反映するように変更します。
3. 代入: 反実仮想診断確率（$p_{n,T}^{cf}$）を計算します。発生率を過大評価することを避けるため、著者らは単調性の仮定を適用します。すなわち、実際に診断された個人（$D=1$）は、反実仮想においても診断されたまま（$D^{cf}=1$）となります。過少診断グループにおいて診断されなかった個人（$D=0$）のみが、その反実仮想確率に基づいて再代入されます。
4. 再較正: 再代入されたケースの反実仮想確率をスケーリングし、総反実仮想発生率が推定された反実仮想集団発生率と一致するようにします。
5. 訓練: この再代入されたデータセットを用いて、反実仮想結果を予測する標準的なロジスティック回帰モデルを訓練します。

主要な貢献

• 因果 HMM フレームワーク: 本論文は、単純なラベル補正を超えて、進行性疾患における差別的診断遅延を明示的にモデル化し補正するための因果 HMM の新規応用を導入します。
• 識別可能性と頑健性: シミュレーションを通じて、著者らは HMM パラメータが識別可能であり、仮定（完全な検査感度や均一な進行率など）が違反された場合でも、このアプローチが頑健であることを実証しています。
• 実世界への応用: この手法は、英国バイオバンクの大規模データセットに適用され、5 年間の慢性腎臓病（CKD）発生率を予測し、複数のサブグループにわたるバイアスを成功裡に補正しました。
• データ中心の公平性: このアプローチは、単にモデルから保護属性を削除するのではなく、バイアスを生成するデータ記録メカニズム（検査行動）をモデル化することで、「データ中心」の公平性と整合します。

結果

シミュレーション研究

5 万人の患者を用いたシミュレーションにおいて、提案された手法は、標準的な「Naïve」（観測データで訓練）および「Blind」（保護属性なしで訓練）モデルを著しく上回りました：

• 較正: 過少診断グループにおける観測：期待（O:E）比率は、1.34（Naïve）から1.02（提案手法）に改善し、ほぼ完璧な較正を示しました。
• 頑健性: 仮定が違反された場合（例：不完全な検査感度や変動する進行率）でも、提案手法はパラメータ推定バイアスが増加したものの、標準的なモデルよりも優れた較正を維持しました。

慢性腎臓病（CKD）ケーススタディ

英国バイオバンクの 123,460 人の個人を用いた結果：

• 診断の異質性: HMM は、糖尿病を観測可能性の最も強力な駆動因子として特定しました（検査率に対するオッズ比：10.36）。次いで高血圧が続きます。女性であることは低い検査率と関連していました（OR: 0.69）。
• バイアス補正:
  • Naïve モデルは、糖尿病のない患者のリスクを著しく過小評価しました（O:E 比率：1.55）。
  • 代入モデルはこれを補正し、糖尿病のないグループで O:E 比率を1.01に達成し、糖尿病グループの較正も維持しました（O:E: 1.01）。
• 臨床的有用性: 意思決定曲線分析は、特に過少診断された集団において、良好に監視されている集団の性能を低下させることなく、両グループ全体でネットベネフィットが向上したことを示しました。
• リスク層別化: 補正されたモデルは、糖尿病のない患者の推定リスクを増加させ、検査を受ける可能性の低さではなく、真の潜在的リスクを反映するようになりました。

意義と主張

著者らは、彼らのアプローチが、外部の発生率データや疾患有病率に関する固定仮定を必要とすることなく、臨床予測モデルにおけるバイアスと不公平を軽減するための理論的根拠と実証的検証を備えた手法を提供すると主張しています。

「診断プロセス」を患者属性の影響を受ける潜在変数として明示的にモデル化することで、この手法は検査率が均等化された公平な反実仮想シナリオにおけるリスク推定を可能にします。著者らは、これによりより正確なリスク層別化が可能となり、予防医療において過少診断された集団が体系的に見落とされることがなくなることを強調しています。彼らはこの研究を、最終的なモデルの症状を緩和するだけでなく、通常の臨床データにおけるバイアスの根本原因に対処する「データ中心」の公平性への一歩として位置づけています。

本論文は控えめに結論づけており、この手法は特定の仮定（マルコフ過程による進行、定数の後期段階検査率など）に依存していますが、将来の研究においてより複雑な疾患軌道や複数の検査タイプに拡張可能な柔軟なフレームワークを提供していると述べています。