分布シフト下におけるICU深層学習敗血症予測モデルの評価：多施設後ろ向きコホート研究

概要

HiRID、MIMIC-IV、eICUの計216,536入院データで、分布シフト下では従来のファインチューニングが再学習・融合学習・教師ありドメイン適応に劣後しました。小規模/大規模のターゲットデータでは再学習・融合学習が、 中規模データではドメイン適応が最も安定した性能向上（AUROCおよび正規化AUPRCの改善）を示しました。

主要発見

• HiRID、MIMIC-IV、eICUにわたる分布シフトを定量化（計216,536入院）。
• 5つの展開戦略を複数アーキテクチャと4つのターゲットデータ規模で比較。
• 従来のファインチューニングは一貫して代替戦略に劣後。
• 小規模・大規模データでは再学習および融合学習が最良の成績。
• 中規模データでは教師ありドメイン適応が最も安定した向上（AUROCと正規化AUPRCの改善）を示した。

臨床的意義

ICUで敗血症予測モデルを移植する際は安易なファインチューニングを避け、ターゲットデータ量に応じた戦略を選択することで、信頼性向上・アラーム過多の低減・早期認識の支援が期待できます。

限界

• 前向きの臨床実装を伴わない後ろ向き設計
• コホート固有のラベリングや診療差異を完全には制御不能

今後の方向性

ドメイン適応・融合戦略を臨床ワークフローに統合した前向き試験を実施し、データドリフト監視、費用対効果、治療介入のタイミングと転帰への影響を評価する。