電子カルテによる有害事象検出の拡張

科学分野:

• 医療情報学
• ヘルスケアにおける機械学習
• 臨床データ分析

背景:

• 医学的介入による有害事象（AE）は、患者の罹患率、死亡率、および医療費を増加させます。
• 電子カルテ（EHR）を使用したAEの予測は、タイムリーな介入のために重要ですが、データの課題によって妨げられています。
• 古典的な機械学習手法は、不均衡なEHRデータ、欠損ラベル、および複雑な相互作用に対処するのに苦労しています。

研究 の 目的:

• 構造化されたEHRデータのための新しいデータ拡張パイプラインであるTASER-AEを紹介すること。
• クラス不均衡に対処し、少数クラスの表現を改善することにより、有害事象の予測を強化すること。
• EHRデータの分類モデルの堅牢性と予測パフォーマンスを向上させること。

主な方法:

• 自然言語処理（NLP）技術に着想を得たデータ拡張パイプラインであるTASER-AEを開発し、構造化されたEHRデータに合わせて調整しました。
• 拡張されたEHRデータと組み合わせて、トランスフォーマーベースの分類モデルを利用しました。
• スパースで不均衡な臨床データセットにパイプラインを適用して、少数有害事象クラスを豊かにしました。

主要な成果:

• TASER-AEは少数クラスのF1スコアを0.70まで達成し、古典的な機械学習ベースラインを大幅に上回りました。
• 2つの異なるEHRデータセット全体で有害事象検出パフォーマンスに実質的な改善を示しました。
• クラス不均衡を効果的に軽減し、少数有害事象クラスの表現を強化しました。

結論:

• 構造化されたNLPにインスパイアされたデータ拡張手法は、臨床予測モデリングにおけるデータの制限を克服できます。
• TASER-AEは、AE予測の強化を通じて患者の安全結果を改善する大きな可能性を示しています。
• TASER-AEパイプラインは、不均衡な臨床データを扱う研究者にとって貴重なツールを提供します。