1706817691
2024-01-29 18:30:00
– ジョンズ・ホプキンス大学とコロンビア大学の研究者らは、医療記録分析のための人工知能 (AI) および機械学習 (ML) モデルのパフォーマンスを向上させる技術を開発したと発表しました。 所見 第 37 回神経情報処理システム年次会議で発表されました。
電子医療記録 (EHR) 内に保存されている臨床ノートには、ケアの改善に使用できる貴重なデータが豊富に含まれています。 ただし、この情報の確認、分類、分析は、手動で行うには時間とリソースが多大にかかります。
AI テクノロジーは、膨大な量のデータを迅速に処理できるため、この問題に対する潜在的な解決策となります。 しかし、モデルの一般化可能性とパフォーマンスに関する疑問は、展開に大きなハードルをもたらします。
医療記録分析用の AI および ML モデルは通常、医療システムの EHR データに基づいてトレーニングされ、ツールが患者の病状に関する重要な情報を推測するために「学習」するのに役立ちます。
ただし、医療記録は医療システム内および医療システム間で大きく異なる可能性があるため、これらのデータに基づいてトレーニングされたモデルが、他のソースからの臨床記録を分析するタスクを課された場合、パフォーマンスが低下する可能性があります。 この現象は「」として知られています。データセットのシフト」と書かれており、ヘルスケア AI の導入に関して安全性の懸念が生じる可能性があります。
続きを読む： 研究者が臨床ノートから SDOH を抽出する NLP ツールを検証
これらの課題に対処するために、研究者らはモデルの一般化可能性を高めるために設計されたデータ拡張技術を開発しました。
研究チームは、臨床医の書き方の違いにより、AIモデルが文法や単語の選択などの要素と患者の診断や病状との関連性を誤って推測する可能性があることを強調した。 臨床医がノートで頻繁に使用する表や見出しなどのテンプレートでも同じことが起こります。
これらのスタイル関連の要素は AI によって実行される分析とは無関係ですが、特定の患者サブグループを治療する臨床医によって同じテンプレートがよく使用されます。 AI ツールは、そのテンプレートと特定の診断が定期的に同時に出現することを認識し、モデルがデータ内の真の関連性ではなく、偽りの相関関係から学習する可能性があります。
これに対処するために、研究者らはデータ拡張を使用して、ツールが偽の相関から学習するのを防ぐことを提案しています。
ジョンズ・ホプキンス大学ホワイティング・スクールの博士研究員であるヨアヴ・ヴァルド博士は、「異なる介護者の間で観察される書き方の習慣やスタイルの変化に対するテキストモデルの影響を軽減することで、さまざまな環境にわたってこれらのテキストモデルの堅牢性を大幅に向上できることがわかりました」と述べた。プロジェクトに携わった工学部の ニュースリリース。
続きを読む： 患者報告結果ツールを使用して EHR データを実用化する
この技術を使用すると、研究者は、複数の異なるスタイルで書かれた同じ医療ノートをモデルに与えることで、これらの要因に対するモデルの感度を下げることができます。 これにより、AI は使用されたスタイルやテンプレートではなく、メモの内容から学習できるようになります。
しかし、これを達成するために臨床医がお互いのメモを書き直すのではなく（すでに忙しい医療チームに過度の負担がかかることになる）、研究チームは大規模言語モデル（LLM）に目を向けました。
「介護者、たとえばベス博士のスタイルで書き直したい特定のメモが与えられた場合、代わりに LLM に『このメモはベス博士が書いていたらどうなるでしょうか?』と尋ねます」とウォルド氏は説明しました。
このアプローチは、 反事実データ、入力の変化に基づいてモデルが何を予測するかを決定するために使用できます。 この情報は、実世界のデータにおける偽の相関関係を打ち消すのに役立ち、反事実データの適用により、AI モデルが不正確な予測を行う可能性を低減できる可能性があります。
患者の人口統計、タイムスタンプ、文書タイプなどの臨床メモからの補助データを使用すると、これらの反事実データの高品質な近似値を生成できます。
続きを読む： 人工知能が EHR データ整理を支援
研究者らは、この技術が医療ドメインに基づいた方法で LLM の使用を促進し、医療記録分析のための AI モデルの一般化可能性を向上させることを実証しました。
この取り組みは、医療アプリケーション向けの AI 安全フレームワークを開発する大規模な取り組みの一部です。
「現実世界のアプリケーションで AI の利用を増やし、その長所と短所を知る中で、AI モデルの堅牢性と安全性を向上させるツールを開発することが重要です」とジョン C. マローン准教授のスーチ・サリア博士は述べています。ホワイティング工学大学院でコンピューターサイエンスの学士号を取得。 「これは過去 5 年間にわたって私たちが注力してきた重要な分野であり、今回の新作はその方向に向けて重要な一歩を踏み出します。 私たちがここで開発した手法は、多くの重要なテキスト分類タスクに直接適用できます。」
「全体として、私たちのような因果関係に基づくデータ拡張手法は、特に安全性が重要なアプリケーションにおいて、堅牢で信頼性の高い ML システムの開発における課題の解決に役立つと考えています」と Wald 氏は述べています。
医療ノート分析における AI の使用は、 臨床文書の改善 プロセス。
医療システムはますます次のことを重視しています。 EHR 文書アシスタント 文書作成を合理化し、臨床医の燃え尽き症候群を軽減します。 これらのツールは、多くの場合、筆記ベースまたは音声ベースのテクノロジーであり、メモの品質を犠牲にすることなく、臨床医が文書作成に費やす時間を削減するのに役立ちます。
メディカルノート分析は、予測分析に情報を提供したり、臨床上の意思決定をガイドしたりするために使用できるデータ内の潜在的な関連性を明らかにすることで、臨床文書内の情報をさらに有用にする潜在的な手段を提供します。
#データ拡張により臨床ノートにおける #LLM #の一般化が改善される可能性がある