医療分野における人工知能の導入が進む一方で、ブラックボックス型のモデルは解釈性と再現性の欠如により、臨床現場での採用を妨げている。この課題に対応するため、研究者らはベルヌーイナイーブベイズ（BNB）モデルを用いた統計的に根拠のあるフレームワークを開発した。このフレームワークは完全に解釈可能なルールベースの臨床分類を提供する特徴を持つ。 手法の核となるのは、教師あり学習の枠組みで行われるカイ二乗検定による統計的二値化である。連続変数に対して訓練データ内での臨床アウトカムとの関連性を最大化する閾値を自動的に識別する。この変換により、BNBは医療データの連続性を失わせることなく、本来備わっている透明性を保ったまま有効に機能できるようになる。 3つのベンチマークデータセットで評価された本手法は、ピマインディアン糖尿病データで0.800、ウィスコンシン乳がんデータで0.984、心不全予測データで0.919といった曲線下面積（AUC）スコアを達成した。判別性能に加え、ブライアスコア、キャリブレーション傍受・勾配、事後ベータキャリブレーションを含むリークセーフな交差検証キャリブレーション分析により、確率的信頼性が評価され、全データセットで確率キャリブレーションが向上した。 これらの成果は、統計的に解釈可能なフレームワークがより複雑なモデルと同等の性能を実現しながら、明示的で臨床的に意味のある決定ルールとキャリブレーション済みのリスク推定値を提供できることを示唆している。特筆すべきは、モデルの推論が参照表と基本的な算術計算のみで再現可能であり、ソフトウェアや専有ツールへのアクセスを必要としないという点である。本研究は信頼性が高く汎化可能な医療AIの実現に向けた実践的なアプローチを提供する。