BERTとERNIEを用いたオランダのプライマリケアにおけるAI駆動型早期感染症検出

科学分野:

• 計算疫学
• 公衆衛生における人工知能
• 疾患監視のための自然言語処理

背景:

• 従来の疾患監視システムは、新興感染症の早期かつ非特異的な信号に対処するのに苦労しています。
• 適時な公衆衛生介入は重要ですが、現在の監視方法の限界により遅れることがよくあります。
• 早期の脅威検出のために非構造化健康データを分析するための、自律的で疾患に依存しないツールの必要性。

研究 の 目的:

• NLPフレームワークであるEarly Recognition using Neural Information Encoding (ERNIE)を導入および評価し、非定型疾患クラスターの早期検出を目的としました。
• 事前に定義された診断ラベルなしに、非構造化プライマリケアデータから新興健康脅威を特定するERNIEの能力を評価しました。
• スケーラブルなAI駆動型健康システム監視のERNIEの可能性を実証することを目的としました。

主な方法:

• ERNIEフレームワークは、非構造化プライマリケアデータに対する教師なし言語モデリングを利用しています。
• オランダ北部からのデータでトレーニングされ、外部データセットで検証されました。
• COVID-19、RSV、およびシミュレートされたウエストナイル熱症例を含む非定型疾患クラスターを、対照データと比較して検出するために評価されました。

主要な成果:

• ERNIEは、最初の確認症例に先立って、早期のCOVID-19様クラスターを特定しました。
• 2021年の急増時に、呼吸器合胞体ウイルス（RSV）パターンを正常に検出しました。
• コンサルテーションレベルの再現率0.97、クラスター精度0.82、クラスター再現率0.90という高いパフォーマンス指標を達成しました。

結論:

• ERNIEは、診断コードへの依存を回避し、ルーチンの臨床テキストを分析することにより、新興健康脅威の早期かつ解釈可能な検出を可能にします。
• 疾患に依存しないフレームワークは、さまざまな健康分野にわたる非定型臨床パターンを特定するための大きな可能性を示しています。
• 公衆衛生監視の強化と適時介入のためのスケーラブルなAI駆動型監視をサポートします。