COVID-19の重症化予測は数種提案されているが、既存指標は線形モデルが主流で非線形性の捕捉に限界がある。機械学習モデルはブラックボックス性が強く、臨床現場では未だ信頼性が十分ではない。
本研究はCOVID-19患者3046名の臨床データから、高精度と解釈性を両立する死亡予測スコアの構築を試みた。XGBoostを採用し、SHAP値で特徴量の寄与度を定量化。さらにSHAP依存プロットの形状解析から非線形性を反映した変数のカットオフ値を決定し、4変数からなる臨床応用可能な簡易スコアを設計した。本スコアはValidation dataにおいてAUC 0.920を達成した。本事例を基盤とし、今後、機械学習の予測性能を維持しつつ、他疾患で応用出来る、実用性と説明可能性を両立するモデル設計を目指す。