Discover Artificial Intelligenceに掲載された研究は、機械学習が心理社会的レジリエンスの高い医療従事者と低い医療従事者を区別できるかどうかを検証し、その結果は控えめながらも実用的なシグナルを示している。Universidad Tecnica Particular de Lojaを拠点とする研究チームは、COVID-19パンデミック中に米国全土で収集された調査データを用い、3つの異なる分類手法を相互に比較した。
この枠組みは、既存文献の多くからの意図的な脱却である。医療従事者のメンタルヘルスに関する研究の大半は、燃え尽き症候群、情緒的消耗、離職といったネガティブな結果に焦点を当てている。本研究は代わりに、ポジティブな能力、すなわちストレスに能動的に対処し、そこから回復する能力を予測しようとした。この重点の移行は、支援プログラムが最終的にどのように設計されるかに関わる。なぜなら、人々を壊すものだけでなく、機能し続けさせるものを問うているからだ。
3つのアルゴリズム、明確な勝者1つ
チームは同じ調査回答セットで3つの分類モデルを訓練した。ロジスティック回帰、ランダムフォレスト分類器、サポートベクターマシン（SVM）である。各モデルは回答者を高レジリエンスか低レジリエンスの2群のいずれかに割り当てるよう求められ、アルゴリズムはその割り当てをどれだけ正確に行ったかで比較された。
- ロジスティック回帰：精度75.6%、ROC曲線下面積0.816
- ランダムフォレスト：精度72.6%
- サポートベクターマシン：精度70.8%
ロジスティック回帰が最も強い結果を出した。ROC曲線下面積は、あらゆる可能な決定閾値にわたってモデルが2つのクラスをどれだけうまく分離できるかの指標であり、0.816という値はかなり良好な識別力を示すが、完全にはほど遠い。注目すべきは、3手法の中で最も単純なものが、より精巧な2つの代替手法を上回ったことである。これは、変数間の関係が概ね線形でサンプルサイズが中程度の表形式調査データでしばしば見られるパターンだ。
訓練データの出所
モデルは学習するための例を必要とする。研究者らは、シカゴ大学のNORCが2021年から2022年にかけて収集したHow Right Now Mental Health & Copingデータセットを使用した。これには米国の2,055人からの回答が含まれ、病院や診療所が持続的な圧力、人員不足、異常に高い患者需要の下で運営されていたパンデミックのある時期に収集された。
レジリエンス指数の構築
モデルを訓練する前に、研究者らは予測すべき測定可能なものが必要だった。彼らは4つの心理測定変数、すなわちレジリエンスそのもの、立ち直る能力、コントロール、自信からレジリエンス指数を構築した。これらの構成要素を組み合わせ、中央値をカットオフ点として2つのレベルに分割し、各回答者について高レジリエンス対低レジリエンスの二値ターゲットを生成した。中央値で分割することでクラスが均衡な集合となることが保証され、精度の数値がモデル間で比較可能になるが、これはまた、2つの群が絶対的な臨床閾値に対してではなく、相互に対して定義されることを意味する。
低レジリエンスを予測するもの
どの入力が最も重みを持つかを調べるためモデルを検査したところ、3つの要因が支配的だった。ストレスが最も強い寄与因子で重み0.182、次いでうつが0.160、不安が0.145だった。絶望感と睡眠パターンの変化が続き、これらが合わさって低レジリエンス群に入る可能性の高さを示す変数のクラスターを形成した。
この順序は直感的だが、それでも有益である。それは、単一の症状を切り離して見るのではなく、蓄積された苦痛の負担が、医療従事者が対処し続けるのに必要な心理的資源を保持しているかどうかを形作ることを示唆している。この種の重み付けに基づくスクリーニング手法は、原理的には、ストレス、低気分、不安の組み合わせがより高いリスクに置いている人々を、そのリスクが燃え尽き症候群や離職に転じる前に特定できる可能性がある。
対処戦略は積み重なるようだ
対処行動はモデルに入る際、個々の重みは低かったが、より高いレジリエンスと一貫して関連していた。社会的支援を求めること、趣味に没頭すること、祈り、瞑想はすべて同じ方向を指しており、これらの習慣が苦痛関連変数よりも予測への寄与が小さいとしても、より高いレジリエンスに伴うことを示唆している。
より印象的だったのは、それらの行動がどのように組み合わさるかである。研究者らは、その効果が累積的であるように見えることを発見した。複数の対処戦略を同時に用いると報告した回答者は、平均して、1つだけに頼った回答者よりも高いレジリエンススコアを持っていた。このパターンは、保護的な習慣に関しては、強度と同じくらい幅広さが重要かもしれないことを示唆している。また、これは単一の一時点調査では完全には説明できない種類の発見でもある。横断的デザインでは、戦略がより高いスコアを生み出したのか、すでにレジリエントな人々が単により採用しやすかっただけなのかを確立できないからだ。
エビデンスの限界
著者らは結果の境界について率直である。データは個人を数か月または数年にわたって追跡するのではなく、単一の時点を捉えているため、研究はレジリエンスがどのように上昇または下降するか、あるいは対処行動との関係がどちらの方向に走るかを示すことはできない。すべての測定は参加者自身の報告に依拠しており、それは気分、記憶、社会的期待によって形作られうる。そしてサンプルは完全に米国から抽出されている。
これらの制約は、結論を他の医療システム、特にラテンアメリカのものにどこまで拡張できるかを制限する。そこでは労働条件、人員配置モデル、給与構造、メンタルヘルスに対する文化的態度がすべて異なるかもしれない。ある国の回答者で訓練されたモデルは、根底にある心理的概念が類似していても、自動的に別の国に移転できるものではない。
提案された次のステップ
研究チームは明確な前進の道筋を示している。第一に、ラテンアメリカの医療従事者でモデルを検証し、同じ予測因子が異なる労働市場と医療システムの文脈で成り立つかを検証する。第二に、睡眠データや生理学的指標など追加の測定で入力データを豊かにし、自己報告回答を補完し、研究の主観的評価への依存を減らすことである。
もしその検証が成功すれば、このアプローチは研究上の発見よりも実用的な何か、すなわちどのスタッフが支援から最も恩恵を受ける可能性があるか、そしてどの対処戦略の組み合わせが彼らを保護するように見えるかを特定する方法を支えることができる。著者らはモデルが展開可能な状態にあるとは主張しておらず、精度の数値はその慎重さを正当化している。
この結果が重要な理由
医療従事者は近年、計り知れない圧力を受け止めてきた。欠陥だけでなくレジリエンスをモデル化するという決定は意味のあるものである。75.6%という精度は診断ツールではなく、研究者らもそのようには提示していない。しかしそれは、日常的に収集される調査回答が学習可能なパターンを含んでおり、単純なロジスティック回帰がより重い機械学習の代替手法と少なくとも同程度にそれを読み取れることを示唆している。限られたメンタルヘルス資源をどのように配分するかを検討している医療システムにとって、それはさらに検証する価値のあるシグナルである。
この記事はMedical Xpressの報道に基づいています。元の記事を読む。
Originally published on medicalxpress.com
