| Project/Area Number |
22K10416
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58010:Medical management and medical sociology-related
|
|---|
| Research Institution | Kyushu University |
|---|
Principal Investigator |
山下 貴範 九州大学, 大学病院, 講師 (00807381)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
野原 康伸 熊本大学, 大学院先端科学研究部(工), 准教授 (30624829)
中島 直樹 九州大学, 大学院医学研究院 医療情報学講座, 教授 (60325529)
伊豆倉 理江子 宮崎大学, 医学部看護学科 統合臨床看護科学講座, 准教授 (80805292)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | クリニカルパス / 診療テキスト / DPCファイル / BERT / 診療記録 / Learning Health System / テキスト解析 |
|---|
| Outline of Research at the Start |
医療リアルワールドデータ（RWD）の利活用について、国家レベルでその技術獲得を推進している。RWDのデータ源である電子カルテには、診療の重要情報が時間軸を追って記録されるが、利活用時には診療イベント間の関連や診療プロセスの把握は困難である。信頼のある解析結果を得るためには診療プロセスデータを効率よく収集しデータの構造化と標準化処理を経て、解析する必要がある。
本研究では、診療テキストを標準化医療データを保持するePath基盤に追加連携し、精緻な診療プロセス解析から臨床課題を抽出する。それをクリニカルパスの改訂による質の高いLearning Health Systemを実践する。
|
| Outline of Annual Research Achievements |
リアルワールドデータのデータ源である電子カルテには、診療の重要情報が時間軸を追って記録されるものの、二次利活用時には患者状態の推移などの診療イベント間の関連や診療プロセスの把握は困難である。信頼のある解析結果を得るためには診療プロセスデータを効率よく収集し解析する必要があるが、それにはデータの構造化と標準化が必要である。本研究では、患者状態を含むデータとして診療テキストと、標準医療データのクリニカルパスとDPCを対象として解析し、臨床課題に対する診療プロセス解析を実施する。さらに、その解析結果をクリニカルパスを用いて医療現場へ還元し、その効果を確認する医療の継続的な改善サイクルのLearning Health Systemの実践を目的としている。
診療データを解析するための環境構築を中心に実施した。電子カルテシステム内に蓄積した診療テキストとクリニカルパス、DPCファイルのデータを出力し、データ構造やデータ属性について確認した。先行研究（2018ー2020年度のAMED事業）で構築した基盤からクリニカルパスとDPCを連携をし、診療テキストを含めたの解析基盤を構築している。診療テキスト基盤については、自然言語処理タスクで高い精度を示しているBERT(Bidirectional Encoder Representations from Transformers)の環境構築について整備を行なっている。
特に2023年度では、各疾患のテキストデータ収集に時間を要したためBERT基盤については構築中である。時系列解析基盤については構築できた。さらに電子カルテから収集した構造化データを用いて機械学習（GBDTなど）による用いた解析により、肺切除パスや循環器疾患の解析を実施し、パス改訂のための解析手法を臨床家と検討し、特徴因子と不要な項目を議論しパス改訂に繋げた。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
診療テキスト、クリニカルパスとDPCファイルのそれぞれのデータを対象としている。
診療テキストデータの抽出とデータ内容の確認（SOAP形式、医師記録・看護記録の区別など）整形、確認に時間を要した。
そのためBERT基盤の構築に遅れが出た。今年度、患者状態の項目と診療テキストの患者状態モデルの紐付けのリカバリ対応予定であったが継続中である。そのため2023年度は、構造化テキストデータに対して、機械学習を用いた解析環境の構築と解析手法の開発を行い解析を先行し、パス改訂を実施した。
|
| Strategy for Future Research Activity |
構造化テキストデータに対する機械学習を用いた解析環境の構築は完了し、パス改訂につながる解析を実施できた。次はBERTによる診療テキストデータを含めた基盤構築を計画する。
診療テキストとクリニカルパス、DPCファイルの患者状態の患者状態コーパスや各データの解析により、高度な機械学習を用いて、臨床課題（課題例：長期在院、DPC出来高上位、合併症など）に対する特徴因子を抽出し、中心に臨床的評価を行い、臨床課題に対するクリニカルパスの改訂案を作成し、大学病院内の委員会などに諮り、現場へフィードバックする。
さらに改訂パスで1年間運用する。同時に改訂パスのデータが蓄積されるため、次年度以降は、改訂パス効果の評価のために、再蓄積データを機械学習と時系列解析にて解析により、臨床課題に対する改善の変化、特徴因子の変化を確認が可能となり、医療の質向上につながる。
いわゆる解析結果をクリニカルパスを用いて医療現場へ還元し、その効果を確認する医療の継続的な改善サイクルのLearning Health Systemを推進する。
|
