医療機器管理2

[59] 機械学習による医療機器保有台数予測モデルの検討

渡邉 研人¹, 今田 寛人², 大石 杏衣³, 高澤 賢次⁴ (1.JCHO 東京山手メディカルセンター 臨床工学部, 2.広島赤十字・原爆病院 臨床工学課, 3.㈱Kiwi, 4.JCHO 東京山手メディカルセンター 心臓血管外科)

【背景】
本邦における皆保険制度は，国民に対して分け隔てなく高水準の医療を提供してきた．しかし昨今，社会保障財政難による医療提供体制の持続性が危ぶまれており，医療提供そのものの抜本的な改革が必要な時期に来ている．医療機器を管理する立場から財政難に貢献するためには，医療機器の保有台数の適正化が必要であるが，最適な保有台数を導き出すアルゴリズムは存在しない．
【目的】
適正な医療機器保有台数を予測する機械学習モデルを構築する．
【方法】
医療機器保有台数調査の賛同を得られた254施設の輸液ポンプ保有台数を目的変数に設定し，厚生労働省DPC導入の影響評価に関する調査から得られた病床数，全身麻酔手術，化学療法，放射線療法，救急車搬送件数を説明変数としてPythonを用いて輸液ポンプ保有台数の予測が可能かを検証した．機械学習モデルには，LinearRegression，RandomForest， XGBoost，LightGBMを採用し，交差検証には Kfoldを用いた．モデルの評価指標にはRMSEおよびMAEの交差検証平均値を採用した．
【結果】
RMSEはベースライン：133，各モデルRMSEの交差検証平均値はLinearRegression：53， RandomForest：55，XGBoost：61，LightGBM： 54であった．MAEはベースライン：87，各モデルMAEの交差検証平均値はLinearRegression： 37，Random Forest：39，XGBoost：42， LightGBM：38であった．参考値として各モデルのR2はLinearRegression：0.77，RandomForest： 0.75，XGBoost：0.70，LightGBM：0.76であった．
【考察】
全てのモデルでベースラインよりも良い結果となったが，MAEで最小の37台の誤差では実運用には程遠い結果であった．さらに精度を高めるためには保有台数に影響があると考えられる変数の追加を検討する必要があると思われる．
【結語】
機械学習を用いた輸液ポンプ保有台数の予測モデルを構築した．さらなる精度向上に向け，今後も検討を重ねていきたい．