解釈可能なリスク評価のためのスコア・閾値の最適化（arXiv:2510.21934v3 Announce Type: replace）

医療におけるリスク評価ツールは、閾値を介して患者を順序付きリスクカテゴリにマッピングするポイントベースのスコアリングシステムを常用しています。電子健康記録（EHR）データはこれらのツールのデータ主導型最適化の機会を提供しますが、標準的なシミュレーション学習には二つの根本的な課題が存在します：（1）介入によって遮断された結果のため、ラベルは極端なリスクカテゴリでのみ利用可能な場合が多いこと、および（2）分類の誤りのコストが非対称であり、順序距離とともに増加することです。我々はこれらの課題に対してスコアウェイトとカテゴリ閾値を同時に最適化する、混合整数計画（MIP）フレームワークを提案します。我々のアプローチは閾値制約を通じてラベル不足によるカテゴリの崩壊を防ぎ、非対称で距離に依存する目的関数を使用します。MIP フレームワークは署名制約、スプアーシティー、既存ツールの最小変更を含むガバナンス制約をサポートし、臨床ワークフローにおける実用的な展開を確保します。我々はさらに MIP プロブの連続放松を提供し、より効率的な MIP 最適化のためのウォームスタートソリューションを開発しました。我々は提案したスコア最適化フレームワークを、Johns Hopkins Fall Risk Assessment Tool を使用した入院転落リスク評価の事例研究に適用しました。

arXiv:2510.21934v3 Announce Type: replace Abstract: Risk assessment tools in healthcare commonly employ point-based scoring systems that map patients to ordinal risk categories via thresholds. While electronic health record (EHR) data presents opportunities for data-driven optimization of these tools, two fundamental challenges impede standard supervised learning: (1) labels are often available only for extreme risk categories due to intervention-censored outcomes, and (2) misclassification cost is asymmetric and increases with ordinal distance. We propose a mixed-integer programming (MIP) framework that jointly optimizes scoring weights and category thresholds in the face of these challenges. Our approach prevents label-scarce category collapse via threshold constraints, and utilizes an asymmetric, distance-aware objective. The MIP framework supports governance constraints, including sign restrictions, sparsity, and minimal modifications to incumbent tools, ensuring practical deployability in clinical workflows. We further develop a continuous relaxation of the MIP problem to provide warm-start solutions for more efficient MIP optimization. We apply the proposed score optimization framework to a case study of inpatient falls risk assessment using the Johns Hopkins Fall Risk Assessment Tool.