ケニア・ナロックにおける小児予防接種の機械学習による予測に合成データを用いる

Abstract

背景：低資源環境におけるデータ活用の制限は、ワクチン提供エコシステムの障壁となり、公平な予防接種の実現を妨げます。遊牧的な集団では、子どもの頃に重要な予防接種の接種機会を逃すリスクが高まります。そのような集団の一例が、ケニアのナロク郡にいるマサイ族です。高い量と質を備えたデータが欠如していることにより、正確な接種率推定が困難になり、効率的な資源配分が妨げられ、タイムリーな介入を提供する能力が弱まっています。さらに、機微なデータの取り扱いが限られている集団では、データのプライバシーに関する懸念が一層高まります。 目的：第一に、大規模な集団の中で、主要なワクチンを逃すリスクのある子どもを特定し、予防接種率の向上を支えるタイムリーでエビデンスに基づいた介入を提供することを目指します。第二に、脆弱な集団における機微な健康データのプライバシーをより適切に保護することを目指します。 方法：MOH 510レジストリ（n=6,913）にある子どもの予防接種記録8年間分をデジタル化し、機械学習モデル（ロジスティック回帰およびXGBoost）を適用してリスクのある子どもを特定しました。さらに、モデル内で患者のプライバシーを保護するために、表形式拡散に基づく合成データ生成の新しいアプローチ（TabSyn）を利用します。 結果：本研究の結果は、分類手法により、ワクチンを逃すリスクのある子どもを信頼性高くかつ成功裏に予測できることを示しています。モデル化した一部のワクチンでは、再現率、適合率、F1スコアが90%を超えました。加えて、合成データでこれらのモデルを学習させることで（元データセット内の個人のプライバシーを保持しつつ）、予測性能の低下につながらないことが分かりました。 結論：これらの結果は、デジタル基盤が限られた診療所におけるヘルス・インフォマティクスの戦略で、合成データの導入を支持するものです。これにより、プライバシーを保護しつつ、子どもの予防接種率に関するスケーラブルな予測が可能になります。