米国自殺防止財団によると、自殺は米国における死因の第10位であり、2018年には140万件を超える自殺未遂が記録されています。 リスクのある人には有効な治療法がありますが、臨床医はどの患者が自殺未遂を起こしそうかを予測する信頼できる方法をもっていません。
サウスカロライナ医科大学と南フロリダ大学の研究者たちは、電子カルテの臨床記録の情報に基づいて、意図的自傷のリスクが高い患者を自動的に特定できる人工知能アルゴリズムを作成し、この問題の解決に向けて重要なステップを踏み出したとJMIR Medical Informatics誌に報告しています。
この研究は、MUSC生物医学情報学センターの共同ディレクターであるJihad Obeid医学博士と、以前MUSCに勤務し、現在は南フロリダ大学精神医学・行動神経科学科の助教授であるBrian Bunnell博士によって主導されました。
研究チームは、ディープラーニングとしても知られる人工知能の一種である複雑な人工ニューラルネットワークを使用して、電子カルテ内の非構造化テキストデータを分析しました。 ディープラーニングの手法は、生の入力データからより高い情報を抽出するために、人工ネットワークの層を段階的に使用していきます。 研究チームは、これらのモデルを一度訓練すると、意図的な自傷行為のリスクのある患者を特定できることを示しました。
「この種の研究は、最新のテクノロジーを活用して自殺などの重要な問題に取り組み、リスクのある患者を特定し、適切な管理に紹介できるため重要です」とObeid氏は述べています。
これまで研究者は、リスクのある患者の特定と予測に主に電子健康記録内の構造化データに頼ってきました。 構造化データとは、臨床治療の一環として電子カルテの指定フィールドに入力された表形式の情報を指します。 例えば、医師が患者を診断し、国際疾病分類（ICD）コードを割り当てるとき、医師は構造化データを作成していることになります。 しかし、電子カルテの適切な情報の80%から90%は、テキスト形式で保存されています。 言い換えれば、電子カルテにある臨床記録、経過報告、ケアプラン・ノート、その他の物語形式のテキストは、研究のための膨大な未開発のリソースとなるのです。 Obeid氏の研究は、ディープニューラルネットワークを使って電子カルテの臨床記録を「読み」、自傷のリスクのある患者を特定・予測するという点でユニークだ。
MUSCの施設審査委員会による規制倫理審査と研究提案の承認後、ObeidはMUSCの研究データウェアハウスで意図的な自傷を示すICDコードに関連する患者記録を特定することからはじめました。 サウスカロライナ臨床&トランスレーショナルリサーチ研究所の支援で作られたこの倉庫は、MUSCの研究者が必要な許可を得た場合に、患者の電子医療記録データへのアクセスを提供しています。
現実世界のシナリオをシミュレートするために、Obeid氏とそのチームは、臨床記録を、モデルの訓練に使用した2012年から2017年の記録と、訓練したモデルのテストに使用した2018年から2019年の記録の2つの時間区分に分けました。 まず、ICDコードが付与された病院での診察時に取られた臨床記録を調べました。 それをトレーニングデータセットとして、モデルは、患者の電子カルテの臨床ノートにおけるどの言語のパターンが、意図的な自傷行為のICDコードの割り当てと関連しているかを「学習」したのです。 一度学習したモデルは、臨床記録のテキストの分析のみに基づいて患者を特定することができ、その精度は98.5%に達しました。 次に研究チームは，最も精度の高いモデルが，電子カルテの臨床記録を用いて，将来の自傷を予測できるかどうかを検証した． このため、Obeid氏の研究チームは、意図的自傷を呈した患者の記録を特定し、意図的自傷の病院受診の6か月前から1か月前までの臨床記録を用いてモデルを訓練した。 そして、訓練されたモデルが、これらの患者が後に意図的な自傷を呈するかどうかを正しく予測できるかどうかを検証した。
臨床記録のみに基づいて将来の自傷を予測することは、膨大な量の患者の履歴がモデルに含まれるときに生じる余分な「ノイズ」のために、現在のリスクの高い患者を特定するよりも困難であることが判明した。 過去の臨床記録は多様であり、常に関連性があるとは限らない。 例えば、ある患者が意図的な自傷行為で来院する6ヶ月前にうつ病やその他の精神衛生上の問題で受診していた場合、その臨床ノートには関連情報が含まれている可能性があります。 しかし、もし患者が精神衛生とは無関係の症状で受診したのであれば、そのメモには関連する情報が含まれていない可能性が高い。
無関係な情報を含めるとデータ分析に多くのノイズが入るが，転帰を予測するためには，この情報をすべてモデル内の患者全体に含めなければならない。 その結果，このモデルは，現在の患者を単に自殺リスクについて分類するよりも，どの患者が後に意図的な自傷行為を行うかを予測する精度が低くなった。 それでも、このモデルの予測精度は、構造化データに依存するモデルについて以前に報告されたものと非常に遜色がなく、比較的高い感度と精度でほぼ80％の精度に達した。
Obeid氏のチームは、ディープラーニングモデルを使用して、臨床記録のみに基づいて意図的な自傷行為のリスクのある患者を特定することの実現可能性を示しました。 また、電子カルテの臨床記録に基づいて、将来どの患者が意図的な自傷行為のために受診するかを、かなり良好な忠実度で予測するためにモデルを使用できることを示しました。
これらの初期の結果は有望であり、臨床レベルで大きな影響を与える可能性があります。 深層学習モデルを用いて、臨床記録に基づいてどの患者が自殺のリスクが高いかを予測できれば、臨床医はリスクの高い患者を早期に紹介して適切な治療を受けさせることができる。 また、これらのモデルを使用して患者を自傷行為のリスクとして分類すれば、自殺に関連する潜在的な新しい治療法の臨床研究および試験への登録が容易になる可能性があります
今後の研究では、Obeidは、例えば、6カ月ではなく、患者の意図的自傷行為の診察の1年前の記録を見て、モデルの予測時間ウィンドウの変更を評価することを目的としています。 …
