マルチ病院環境における不確実性を考慮した在院日数予測のための階層的コンフォーマルフレームワーク

なぜ在院日数予測が重要か

患者が入院すると、家族やスタッフが最初に尋ねる質問の一つは「どれくらい滞在するのか」です。その答えは単なる好奇心以上の影響を持ちます：病床の空き状況、スタッフのシフト計画、手術室の運用計画、そして患者が安全に退院できるか追加支援が必要かといった判断に直結します。本稿は単一の数値を示すだけでなく、予測の不確実性を反映した現実的な幅（レンジ）も提示する新しい在院日数予測の方法を説明します。これは安全で効率的なケアにとって極めて重要です。

入院期間予測の難しさ

在院日数の予測は見た目より難しい課題です。病院は日常例から複雑な救急まで多様な患者を扱い、規模、所有形態、教育病院の有無、地域によって運用が異なります。したがって患者は病院や地域内に「クラスタ化」され、その結果は独立ではありません。多くの機械学習モデルは最良推定値を出せても、その誤差がどの程度あり得るかについて信頼できる情報をほとんど提供しません。病床過密や空床回避を強いられる病院管理者にとって、その不確実性の欠如は安全でない退院、不要な手術キャンセル、あるいは無駄な“念のため”の余裕につながる恐れがあります。

不確実性についての二つの考え方を組み合わせる

著者らは不確実性を捉える二つの代表的な手法を検討し、それぞれ単独では深刻な欠点があることを示しました。ベイズ手法は不確実性を直接モデル化し、病院が地域内にネストするような複雑な構造を反映できますが、実際にはモデル仮定が少しでも外れると過度に自信過剰な幅を出してしまうことがあります。一方、コンフォーマル予測はデータに対してほとんど仮定を置かず、所望の割合で真の結果を含むことを保証できますが、通常は各患者に対して同じ幅の区間を与え、個々の症例の予測難易度を無視します。本研究の鍵は双方の長所を生かすハイブリッドを作ることです：ベイズモデリングでどの患者がより不確実かを判断し、コンフォーマル予測で区間の全体的な信頼性を担保します。

ハイブリッドシステムの実際の動作

システムはまず「階層的ランダムフォレスト」から始まります。これは個々の患者、その病院、さらにその病院が所属する広域という三層でパターンを学習する木ベースの機械学習モデルです。この基盤の上でベイズ層が残差誤差を解析し、病院や地域固有の特性を考慮して各予測の不確実性を推定します。別途、コンフォーマルな較正手順では過去の何千もの患者における予測誤差を参照し、所望の信頼水準（本研究では約95％）を達成するために区間をどれだけ広げる必要があるかを決定します。ハイブリッドはその後、ベイズ層がリスクが高いと判断した症例にはコンフォーマル調整を大きく、簡単だと判断した症例には小さく適用し、慎重でありながら効率的な患者固有の区間を生成します。

性能に関するデータの示すところ

著者らは国の入院データベースに含まれる約3,800病院、61,000件超の入院記録でフレームワークを検証しました。純粋なコンフォーマル予測はほぼ正確に95％の目標を達成しましたが、実質的に全員に同じ広い区間を適用しました。純粋なベイズ付加では非常に狭い区間が得られましたが、真の在院日数を含む割合は約14％にとどまり、安全に使うには明らかに低すぎました。ハイブリッドアプローチは目標に近く、約94.3％の事例をカバーし、平均区間を適度に縮小するとともに重要なのは幅の再配分です：不確実性が最も低い患者では約21％短い区間、最も不確実な患者では約6％広い区間となりました。これらの適応的区間は異なるタイプの病院間でも安定しており、まったく見えない新規の施設でテストしても堅牢でした。

患者と病院にとっての意味

非専門家向けの主な要点は、この方法がブラックボックス的な予測を理解可能で信頼できる誤差範囲を備えたツールへと変えることです。一つの不確かな数値の代わりに、統計的に裏付けられたレンジが得られ、症例の難易度に応じて変動します：日常的な患者には狭く、臨床側を驚かせる可能性のある患者には広くなります。これにより病床や人員の計画をより現実的に立てられ、どの患者に追加の注意や予備計画が必要かを明確にできます。現時点では日単位で見れば区間はまだかなり広いですが、このフレームワークは慎重な統計手法によって病院が推測から、より信頼できる不確実性対応の意思決定へと移行する道筋を示しています。

引用: Shahbazi, M.A., Baheri, A. & Azadeh-Fard, N. A hierarchical conformal framework for uncertainty-aware length of stay prediction in multi-hospital settings. Sci Rep 16, 6564 (2026). https://doi.org/10.1038/s41598-026-37450-w

キーワード: 入院在院日数, 不確実性の定量化, コンフォーマル予測, ベイズモデリング, 医療解析