高齢者のテキスト健康記録における深層学習ベースの自然言語処理を用いた健康状態の特定

科学分野:

• 老年医学
• 医療情報学
• ヘルスケアにおける人工知能

背景:

• 高齢者の臨床的に重要な健康状態は、構造化された電子健康記録において過少報告されたり、見落とされたりすることがよくあります。
• 健康記録内の構造化されていない自由記述エントリには、患者ケアと予後に関する貴重なデータが含まれています。

研究 の 目的:

• 高齢者の過少報告されている状態を特定するための深層学習ベースの自然言語処理モデルを開発および評価すること。
• 自然言語処理モデルのパフォーマンスを従来の診断コードと比較すること。
• 特定された状態の全原因死亡率に対する予測値を評価すること。

主な方法:

• フィンランド（2010-2022）の102,525人の患者の電子健康記録から1060万件の自由記述エントリを利用しました。
• 転倒、失禁、孤独、移動能力制限を特定するために、深層学習ベースの固有表現認識（NER）を採用しました。
• NERの結果を診断コードと比較し、コックス回帰を使用して死亡率予測を分析しました。

主要な成果:

• NERモデルは、健康状態の特定において優れたパフォーマンス（精度、再現率、F1 > 0.80）を達成しました。
• NERは、診断コードと比較して、転倒および失禁のケースを大幅に多く特定しました。
• NERによって特定された状態は、診断コードからの状態よりも、全原因死亡率とのより強い関連性を示しました。

結論:

• 深層学習ベースのNERモデルは、構造化されていない電子健康記録から貴重な健康情報を抽出するための強力な方法を提供します。
• このアプローチは、脆弱な高齢者の特定を強化し、予後精度を向上させます。
• 自由記述データを利用することで、臨床的に関連性の高い健康イベントの把握を大幅に改善できます。