オートエンコーダを用いた退院時のFIMスコアの予測

DOI 情報処理学会

この論文をさがす

抄録

日本国内の脳血管疾患の総患者数は約112万人と主要な病気の1つであることから，医療・介護制度に大きな負担をかけている．リハビリテーション病院では治療の質の向上が求められており，そのためには正確な予後予測が不可欠となる．予後予測の指標としてFIMスコアがある．入院時あるいは入院中の患者のデータを利用して，退院時のFIMスコアを正確に予測することが求められている．本研究で考える要求予測精度は実測値と予測値の平均絶対誤差が5点以下である．本研究では，リハビリテーション病院の退院時のFIMスコアを予測するための機械学習を用いたモデルを提案する．このモデルは，次元圧縮部と予測部により構成される．入力データの質を向上させるために，次元圧縮部にオートエンコーダを用いて圧縮された特徴量にエンコードした．エンコードされたデータを予測部の入力として4層人工ニューラルネットワークによりFIMスコアを予測した．その結果，平均絶対誤差は，3.63点となり，誤差が5点以下となる累積度数は80.0%であった．また提案する予測モデルによる精度向上を検証するために他手法による予測と比較をした．従来手法である重回帰分析による予測モデルとの比較から，提案手法の予測精度が高いことを明らかにした．また次元圧縮部を除いた予測部のみによる予測モデルとの比較から，次元圧縮部により平均絶対誤差が5点以下となる累積相対度数を4.8%向上させ，一方，15点以上となる度数を0.65%減少させた．

The total number of patients after stroke in Japan is about 1.12 million, which is one of the major diseases and places a great burden on the healthcare system. Hospitals are required to improve the quality of rehabilitation treatment, and accurate prediction of prognosis is essential. FIM score is a prognostic indicator. Data from patients on admission and during their hospitalization should be used to accurately predict FIM scores at discharge. The required accuracy of this study is that the mean absolute error between the measured and predicted values should be less than 5 points. In this study, we propose a model using machine learning for predicting FIM scores of patients after strokes at discharge. The prediction model consists of a dimension compression part and a prediction part. In order to improve the quality of the input data, we extracted the compressed features from the input data by using the autoencoder in the dimension compression part. FIM scores at discharge were predicted by using a 4-layer artificial neural network in the prediction part and using the compression part as an input. As a result, the mean absolute error of the predicted FIM scores was 3.63 points, and the cumulative frequency with an error of 5 points or less was 80.0%. In order to verify the accuracy of the proposed prediction model, we compared it with a conventional prediction model based on multiple regression analysis. Compared with the conventional prediction model, the high prediction accuracy of the proposed method was confirmed. Moreover, we conducted a comparative study with/without the dimension compression part of the proposed methods. As a result, the cumulative relative frequencies with a mean absolute error of less than 5 points increased by 4.8%, while those with a mean absolute error of more than 15 points decreased by 0.65%.

収録刊行物

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ