Towards Interpretable End-Stage Renal Disease (ESRD) Prediction: Utilizing Administrative Claims Data with Explainable AI Techniques

要約

この研究では、慢性腎臓病 (CKD) から末期腎疾患 (ESRD) への進行を予測するために、行政請求データを高度な機械学習および深層学習技術と組み合わせて利用する可能性を探ります。
当社は、大手健康保険組織から提供された包括的な 10 年間のデータセットを分析し、ランダム フォレストや XGBoost などの従来の機械学習手法と、Long Short-Term Memory (LSTM) などの深層学習アプローチを使用して、複数の観察ウィンドウの予測モデルを開発します。
）ネットワーク。
私たちの調査結果は、LSTM モデルが、特に 24 か月の観察期間を備えた場合、ESRD の進行を予測する際に優れた性能を示し、文献にある既存のモデルを上回っていることを示しています。
さらに、SHapley Additive exPlanations (SHAP) 分析を適用して解釈可能性を高め、個々の患者レベルでの予測に対する個々の特徴の影響についての洞察を提供します。
この研究は、CKD の管理と ESRD の進行の予測に行政請求データを活用することの価値を強調しています。

要約(オリジナル)

This study explores the potential of utilizing administrative claims data, combined with advanced machine learning and deep learning techniques, to predict the progression of Chronic Kidney Disease (CKD) to End-Stage Renal Disease (ESRD). We analyze a comprehensive, 10-year dataset provided by a major health insurance organization to develop prediction models for multiple observation windows using traditional machine learning methods such as Random Forest and XGBoost as well as deep learning approaches such as Long Short-Term Memory (LSTM) networks. Our findings demonstrate that the LSTM model, particularly with a 24-month observation window, exhibits superior performance in predicting ESRD progression, outperforming existing models in the literature. We further apply SHapley Additive exPlanations (SHAP) analysis to enhance interpretability, providing insights into the impact of individual features on predictions at the individual patient level. This study underscores the value of leveraging administrative claims data for CKD management and predicting ESRD progression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google