因果推論×機械学習を用いた個別化医療戦略
学習ポイント
因果効果の異質性を評価する意義を理解する。
機械学習と因果推論の融合手法である因果フォレストの基礎を身につける。
高ベネフィットアプローチに基づく個別化医療戦略という実践例を通じて、因果推論や機械学習を疫学に応用する方法論を体感する。
詳細概要
本セミナーでは、医療・公衆衛生や政策評価の現場で重要性が高まる「効果の異質性（HTE）」を、機械学習を用いて的確に捉え、高ベネフィットアプローチによる個別化医療へと結びつける考え方を紹介します。平均処置効果（ATE）にとどまらず、条件付き平均処置効果（CATE）／個別化処置効果（ITE）を推定し、研究実装に焦点を当てながら、実際に“誰に介入すべきか”という意思決定へ落とし込むための設計・推定・評価の一連の流れを体系的に扱います。
前半では、HTEの基本概念を整理したうえで、機械学習と因果推論の融合手法である因果フォレストの理論と実務の概要をわかりやすく解説します。続いて、Rのgrfパッケージを用いたデモを行い、再現可能なコードを通じてCATE推定から個別化介入戦略までの最短ルートを体験します。
中盤（RCT編）では、Inoue et al., BMJ 2024を題材に、ランダム化比較試験におけるHTEの検出・報告・意思決定への接続を具体例で示します。あわせて、高ベネフィットアプローチ（Inoue et al., IJE 2023）の枠組みを解説し、“限られた資源を最大の便益が見込まれるサブグループへ配分する”という現実的課題を、統計的に妥当かつ透明性高く実装する手順を示します。
後半（観察研究編）では、Inoue et al., Circulation 2022を踏まえ、交絡への対処とCATE推定の統合を扱います。さらに、標的試験エミュレーションの考え方とHTE分析の融合を実装例を用いながら紹介します。このプロセスをハンズオンで体験していただき、研究・実務の双方で幅広く応用可能なスキル習得を目指します。
対象者
機械学習や因果推論を業務に活用したい実務家・データサイエンティスト
医療データを扱う業種の技術者
疫学など効果の異質性に着目した研究を統計分析を用いて行っている・行う予定の研究者
講師プロフィール
井上 浩輔（イノウエ コウスケ）
取得学位：博士（疫学）
2025年8月- 京都大学 大学院医学研究科 健康増進・行動学分野 教授
2023年4月- 京都大学大学院医学系研究科 社会疫学分野及び京都大学 白眉センター 特定准教授
2021年4月- 京都大学大学院医学系研究科 社会疫学分野 助教
2021年 UCLA 公衆衛生大学院（疫学分野）博士号取得
2013年 東京大学医学部医学科卒