要旨: 目的: 再入院予測の臨床導入を阻む3つの障壁（説明可能性の欠如、デプロイの信頼性インフラの不在、人口統計学的な公平性評価の不十分さ）に対処する統合的枠組みを提案し、遡及的に検証すること。
材料と方法: MIMIC-IVデータベースから415,231件の成人入院を対象とするコホートを構築した（30日再入院の有病率18.0%）。データを70/15/15に分割し、ロジスティック回帰、XGBoost、LightGBMの各モデルを26の特徴量で学習させた。SHAPにより患者ごとの説明を提供した。公平性は、AUC-ROC、偽陰性率（FNR）、陽性的中率（PPV）を用いて16のサブグループにわたって評価した。校正はBrierスコアおよび校正曲線により評価した。
結果: XGBoostはAUC-ROC 0.696（95% CI 0.691-0.701）を達成し、LACEベースライン（AUC 0.60-0.68）を上回るか同等の性能を示した。LightGBMは最良の校正を達成した（Brier 0.146）。先行入院が主要な予測因子であった。すべてのサブグループが公平性の閾値を満たした（delta AUC <= 0.05、delta FNR <= 0.10）。
結論: 本枠組みは、競争力のある性能、臨床的に実行可能な説明、そして強固な人口統計学的公平性を提供する。コードは https://github.com/Tomisin92/readmission-prediction で公開されている。
