AIを活用して電子健康記録を強化する

2009年、アメリカはHITECH法という法律を通した。この法律は、医療提供者が現代技術を使って患者情報をより良く管理することを奨励することを目的としていた。その結果、多くの医療施設が電子健康記録（EHR）システムを使い始めた。これらのシステムは、患者の医療履歴、治療、検査を追跡するデジタル版の紙のチャートだ。このデータは、病気の予測や医師が治療についてより良い決定を下す手助けをするために使える。

でも、EHRを使うのは難しいこともある。データはしばしば異なるタイミングで記録され、患者がより病気の時には病院に頻繁に行くこともある。一部の患者グループは医療へのアクセスが難しいため、複数の病院を訪れることになり、結果的にデータが不完全になってしまう。欠けている情報があると、特にすでに不利な状況にある人たちの病気の予測の精度が下がる可能性がある。

#EHRデータの課題

EHRは、患者データが記録される不定期な間隔のためにいくつかの課題を呈している。例えば、ある人が救急科に頻繁に行く場合、それは深刻な健康問題を示すかもしれない。プライマリケアでは、医療サービスへのアクセスが乏しいために、患者が訪れる頻度が少なくなることもある。これが原因でデータが断片化され、患者は異なる場所でケアを受けることになる。

また、特定の人口グループの記録には欠けている情報があることも問題だ。これが健康結果を予測する上での難しさを生む、特に医療アクセスに障壁がある人たちにとっては。

#不規則な患者訪問への対処

EHRデータの予測不可能な性質に対処するために、機械学習ではさまざまな技術が使われている。一般的な方法の一つはゼロパディングというもので、データの隙間を埋めるためにゼロを追加することだ。これによりモデルが分析するための一貫した入力サイズを維持できるけど、実際には存在しないデータ間の誤った関係が入ることもある。

他の方法としては、時間に沿ってメモを平均化したり、畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）ネットワークなどの高度な機械学習モデルを使ってデータを処理したりすることがある。最近では、時間に関連するデータを扱うことができるトランスフォーマーというモデルが開発され、これらのモデルは医療ノートの変動する時間間隔から学習できるため、EHRデータの不規則性に対処するのに適している。

#大規模言語モデルの役割

大規模言語モデル（LLM）は、人間のようなテキストを生成し理解するために設計された高度なAIシステムだ。これらのモデルは、医療のさまざまな分野で重要な医療用語を特定したり、臨床テキストから有用な情報を抽出したりするのに期待できる結果を示している。豊富な学習データから得られた知識を利用することで、LLMはEHRの欠けている情報を補う手助けができるかもしれない。

我々は、LLMが患者データのタイミング部分を考慮した貴重な観察を行えると提案する。彼らは欠けている情報にうまく対応するテキストを生成することができ、臨床予測の精度を向上させる可能性がある。また、LLMはデータの不規則性に関連する医療の不公平な結果にも対応する手助けができるかもしれない。

#データソースと方法論

我々の研究では、ボストンの病院に入院した患者の健康データを含むMedical Information Mart for Intensive Care IV（MIMIC-IV）データベースを使用した。18歳未満の患者は除外した。このデータベースでは、2年間で少なくとも2回病院を訪れた患者に焦点を当てた。患者のデータは、その期間内の医療訪問を見て作成され、患者がその期間中に亡くなった場合の訪問は含まれないようにした。このプロセスで33,123人の患者が特定され、12％が1年以内に死亡していることがわかった。そこから、分析のためにバランスの取れた6,070人の患者を無作為に選んだ。

各訪問から、特定のセクションを無視しつつ、退院サマリーの最初の512語を抽出した。医療テキストで事前に訓練された専門のAIモデルであるBioClinicalBERTを使用して、これらのサマリーの数値表現を作成した。BioClinicalBERTは医療テキストに特化しており、EHRデータを扱うのに適している。

#欠けているデータへの対処技術

データのギャップに対処するために、さまざまな技術を採用した。

#ゼロパディング

ゼロパディングは、モデルの入力サイズを一貫して保つために欠けているデータを埋める方法で、患者データにおいては最大79回の訪問のメモが考慮された。欠けているメモはゼロベクトルで置き換えた。

#最後の観察を前に持ち越す（LOCF）

LOCFは、各患者の最も最近のメモを取得し、それを使って欠けているメモを置き換える方法だ。もし以前のメモがなければ、ゼロベクトルが使われる。この方法は、最後に記録された情報が一般的に患者の現在の健康に最も関連性が高いと仮定している。

#多モーダル代入

この技術は、予測を改善するために、ラボ結果や診断コードなどの複数のデータタイプを組み合わせるものだ。患者のメモが欠けている場合、完全なデータを持つ類似の患者を探し、その情報を使って隙間を埋める。このプロセスは、分析されるデータの全体的な質を向上させるのに役立つ。

#大規模言語モデルによる代入

最後に、欠けている医者のメモのテキストを生成するためにLLMを使用した。GPT-4、BioMistral、Asclepiusの3つのLLMを比較した。これらのモデルは人間のようなテキストを作成でき、既存のメモに基づいて患者データのギャップを埋める手助けができる。LLMに他の訪問からの情報を提供し、欠けているメモのテキストを生成するように頼んだ。

#方法と結果の評価

これらのさまざまな方法のパフォーマンスを評価するために、患者の結果予測の効果を比較した。モデルのパフォーマンスを見ながら、特に曲線下面積（AUC）やF1スコアに焦点を当てた。これらはモデルが死亡結果を予測する能力を示すものだ。

我々の調査結果は、ゼロショットプロンプティングを使用したGPT-4が最も良い結果を出し、他の方法を上回ったことを示した。一方、ワンショットプロンプティングはゼロショットプロンプティングに比べて一貫して結果を改善することはなかったが、GPT-4は全体的に驚異的なパフォーマンスを見せた。

#アルゴリズムの公平性への対処

我々は、欠けている情報の量に基づいてモデルがどれほど機能するかをじっくり調べた。特にデータが少ない患者に対して、GPT-4を使ってギャップを埋めた際に大きな改善があった。このことは、LLMが医療の公平性の問題に対処する可能性を示唆している、特にサービスが行き届かない人たちや、医療へのアクセスが少ない人たちにとって。

#今後の方向性と制限

我々の研究は有望な結果を示したが、いくつかの制限も認識した。LLMの透明性の欠如が、特定の結論に至る過程を理解するのを難しくすることもある。今後の研究は、これらのモデルの明確性を向上させ、その出力のエラーを減らすことに焦点を当てるべきだ。

また、LLMがプライマリケアデータをどう扱うかや、サービスが行き届いていない地域の人々が直面する特定の障壁を調査することも有益だ。さまざまな文脈で欠けているデータをシミュレーションすることによって、LLMが医療結果の予測改善においてどれほど機能するかを評価できる。

#結論

要するに、GPT-4のようなLLMは、電子健康記録の扱いや患者の結果予測の改善に大きな可能性を秘めている。データのギャップに対処できることで、これらのモデルはより良い洞察を提供し、医療アクセスや治療結果の不平等を減らす手助けになるかもしれない。テクノロジーが進化し続ける中で、LLMを医療に効果的に統合する方法を探ることは、今後の患者ケアの形成において重要だ。