Selective prediction as a triage gate for primary-care depression screening: quantifying and mitigating selection bias in CHARLS-2011

技術要約：一次診療における抑うつスクリーニングのトリアージ・ゲートとしての選択的予測

問題提起
中国の一次診療（プライマリ・ケア）では、構造化されたメンタルヘルス評価ツールが不足しており、既存の機械学習（ML）モデルによる抑うつスクリーニングは、多くの場合、高度に選択されたサンプルに基づいて開発されている。著者らは、通常は中立的なデータクリーニング工程として扱われる累積的な包含および除外基準が、「二重の歪み」をもたらすと主張している。

1. 疫学的歪み： 選択の漏斗（ファンネル）は、疫学的関連性（例：慢性疾患と抑うつの関係）を圧縮または変化させ、選択されたサンプルからの知見が対象集団に対して一般化不可能になる可能性がある。
2. 指標の歪み： 機械学習の性能指標、特にAUC（曲線下面積）は、不均一性の減少により選択されたサンプル内で膨張することがあり、一方で較正誤差（Calibration Error）は悪化する場合がある。これは、モデルの臨床展開への準備ができているという誤解を与える。

さらに、標準的なモデル内蔵型の不確実性指標は、疫学データにおける「容易なケース」と「困難なケース」を効果的に区別できないことが多く、選択的予測（拒否オプション付きの分類）の有用性を制限している。

手法
本研究では、CHARLS 2011 ベースライン・データセット（n=17,705）を用い、CHARLS 2018 ウェーブによる時間的な外部検証を行っている。手法は以下の3つの目的に基づいて構成されている。

1. 選択バイアスの定量化（漏斗）：

   • 段階的な4レベルの選択漏斗（L0–L3）を構築し、標準的な疫学的除外プロセスをシミュレートした。
     • L0： 多重代入法（MICE）適用後の完全なサンプル。
     • L1： 60歳以上。
     • L2： CES-D-10の回答が完全であること。
     • L3： 社会人口統計学的共変量（教育、保険、居住地）が完全であること。
   • 関連性分析： 各レベルにおいてロジスティック回帰モデルを適合させ、5つの慢性疾患に対する抑うつのオッズ比（OR）のドリフトを追跡した。
   • 性能分析： 5つの分類器（ロジスティック回帰、ランダムフォレスト、XGBoost、LightGBM、Gradient Boosting）を、入れ子状の交差検証とSMOTEを用いて各レベルで評価した。AUC、ブライア・スコア、期待較正誤差（ECE）の単調な傾向を、PageのL検定を用いてテストした。

2. 選択的予測によるバイアスの軽減：

   • モデル内蔵型不確実性： 各モデルの内部不確実性スコア（例：予測エントロピー、決定木の分散、分位点残差区間）が、サンプルをフィルタリングしてAUCを向上させることができるかを検証した。
   • デカップル型（分離型）予測器・セレクター・フレームワーク： 内蔵型スコアの限界を克服するため、独立したセレクターが予測の信頼性を評価するデカップル・アプローチを提案した。9つの候補セレクターを評価した結果、XGBoostの交差検証残差が最適な外部セレクターとして特定された。このセレクターをすべての予測器に適用し、集団内の「信頼できる」サブセットを決定した。

3. 解釈可能なルールによる臨床展開：

   • リスク層別化： 最終的な解析セット（L3）において、堅牢な残差（5つのハイパーパラメータ構成の中央値）に基づき、低・中・高リスク群に層別化した。
   • CARTルールの抽出： 堅-的な残差に対して分類回帰木（CART）を適合させ、信頼できる予測領域の境界を定義する、解釈可能な「ホワイトボックス」ルールを15の臨床特徴量から抽出した。
   • 安定性チェック： 予測がデータの構造的特性であることを確認するため、マルチパラメータ（5つの構成）およびマルチシード（10個のシード）による安定性分析を実施した。

主な結果

• 選択バイアスによる歪み：

  • サンプルサイズは17,705（L0）から4,256（L3）へと減少した（24.0%）。
  • 関連性の減衰： 癌と抑うつのORは、L0での1.78（95% CI 1.32–2.41）から、L3では1.39（95% CI 0.74–2.63）へと低下し、統計的有意性を失った。他の関連性も様々な程度の圧縮を示した。
  • 指標の膨張： すべてのモデルにおいて、L0からL3にかけてAUCが方向的に上昇したが（例：XGBoostは0.775から0.783へ）、これらの傾向は多重比較補正後も統計的に有意ではなかった。逆に、選択が厳格になるにつれ、5つのモデルのうち4つで較正誤差（ECE）が有意に増大した。

• 選択的予測の性能：

  • 内蔵型不確実性： カスタムのアウト・オブ・フォールド分位点残差区間を用いたXGBoostのみが、有意な選択的予測の向上（カバレッジ約52%においてAUC ~0.83）を達成した。他のモデルの内蔵指標は、フルカバレッジよりも高いAUCを示すピークを特定できなかった。
  • デカップル型フレームワーク： XGBoostの交差検証残差を外部セレクターとして用いた場合、すべての分類器において一貫した選択的予測の向上が見られた。
    • カバレッジ： 約20%のサンプルが「信頼できる」と識別された。
    • 性能： このカバレッジにおいて、テストAUCは全モデルで0.888から0.901の範囲に達した。適合率は約0.85–0.86、再現率は約0.89–0.90であった。
    • 安定性： 20%のカバレッジ閾値は異なるモデルアーキテクチャ間で非常に一貫しており、セレクターが安定した「信頼できる領域」を特定していることを示している。

• 解釈可能なトリアージ・ルール：

  • CART分析により、トリアージのための4つの主要変数として、自己評価健康状態、教育、疼痛の重症度、および婚姻状況を特定した。
  • 低残差（信頼できる）領域： 高い教育水準、特定の疼痛プロファイル、または明確な身体的要因を伴う低い自己評価健康状態によって特徴付けられる。
  • 高残差（不確実な）領域： 低い教育水準、複雑な心理社会的要因、および高い抑うつ有病率（56.9%）によって特徴付けられ、モデルの予測が信頼できない領域である。
  • 外部検証： 2011年由来のCARTルールを2018年コホートに適用したところ、グループレベルのAUCが安定しており、トリアージ・ロジックの経時的な堅牢性が確認された。

意義と主張
本論文は、ML駆動型のヘルス・スクリーニングにおける「ブラックボックス」問題に対処する、展開可能な一次診療トリアージ・パスウェイを提供すると主張している。その意義は以下の3点にある。

1. 方法論的修正： 累積的な選択バイアスが、関連性の圧縮と指標の膨張という「二重の歪み」を生じさせることを実証した。著者らは、性能指標には常に、その選択レベル、カバレッジ、および較正の軌跡を併記すべきであると主張している。
2. 信頼性のためのフレームワーク： 交差検証残差を用いたデカップル型選択的予測が、高信頼度の患者サブセットを特定するための堅牢な手法であり、疫学的文脈において失敗しやすいモデル内蔵型の不確実性指標よりも優れていることを確立した。
3. 臨床的実行可能性： 複雑なMLの不確実性を単純な4変数のCARTルールに変換することで、本研究は実用的な「トリアージ・ゲート」を提示している。これにより、一般医は、約20%の患者（信頼できる領域）をアルゴリズム支援によるスコアリングへ誘導し、残りの80%（不確実な領域）を人間による評価へと振り分けることが可能となり、リソースの限られた環境において患者の安全確保と解釈可能性の維持が可能となる。

著者らは、このアプローチが、モデルの不確実性モニタリングを、単なる統計的な事後処理ステップから、階層型ヘルスケアシステムにおける日常的な品質管理チェックポイントへと変貌させるものであると結論付けている。