オーダ情報自動系列生成モデルの構築とオーダ誤発行抑止システムへの展開

Research Project

Project/Area Number	22K17305
Research Category	Grant-in-Aid for Early-Career Scientists
Allocation Type	Multi-year Fund
Review Section	Basic Section 58010:Medical management and medical sociology-related
Research Institution	Kochi University
Principal Investigator	兵頭勇己高知大学, 教育研究部医療学系連携医学部門, 助教 (50821964)
Project Period (FY)	2022-04-01 – 2026-03-31
Project Status	Granted (Fiscal Year 2023)
Budget Amount *help	¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000) Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000) Fiscal Year 2022: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Keywords	Transformerモデル / オーダ情報系列生成 / オーダ誤発行抑止システム
Outline of Research at the Start	患者間違いに伴うオーダの誤発行は、患者に対して重大な影響を与えうるが、現在の電子カルテシステムでは抑止することができていない。これは、個別性の高い有益な情報を、電子カルテデータから十分に分析・提供できていないためである。このようなオーダ誤発行の検知は、多様な患者背景に対応した汎用的なオーダ系列生成モデルの構築にて可能だが、未だできていない。本研究では、文書生成のための強力な深層学習手法の1つであるTransformerモデルを転用し、検査オーダに特化した系列生成モデルを構築、オーダ内容の検証や予測を通して医療安全に寄与する電子カルテシステム構築のための基盤となる研究を行う。
Outline of Annual Research Achievements	患者間違いに伴うオーダ誤発行を検知するためのシステム開発のため、その基盤となる「オーダ発行異常検知」モデルの構築を行うことが本研究の大きな目的である。具体的には、多様な患者背景に対応できる汎用的な検査オーダモデルを構築することを目標にしている。構築方法は文章生成モデルの一種である、Transformerモデルを転用し、オーダの系列パターンを生成する。本年度は、解析対象を血液検査オーダに限定し、Transformerモデルがオーダの系列生成タスクに利用できるか、検証を行う予定であった。今年度の進捗として、実際にモデルのプロトタイプを作成することができた。具体的には、患者基本情報、DPC病名、輸血有無、手術情報から入院時から退院時までの検体検査オーダ情報について、Transformerモデルを用いた生成モデルを構築した。各種オーダ情報を文章変換するうために、各オーダをカテゴリカルデータ化し、それぞれ一意の2byte文字を対応させ、1入院における1日単位の各情報を「/」で連結、かつt日目とt+1日目の情報を「_」で連結し退院を「.」で表現した1つの文章に変換するという工夫を施した。また、自然減言語処理に必須であるトークン化については、既存のトークンを利用することができないため、あらたにSentencepieseを用いてサブワードトークンの学習を行った。しかしながら、既存の機械学習手法を利用したモデルと精度上は変わらなかったため、さらなる精度向上にむけたモデルの改良が必要である。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 想定通り生成モデルのプロトタイプを構築することができた。今後は精度向上ならびに適切にオーダ誤発行を識別可能か、検証が必要である。
Strategy for Future Research Activity	既存の機械学習手法を利用したモデルと精度上は変わらなかったため、さらなる精度向上にむけたモデルの改良が必要である。具体的には、オーダ順序を識別するための符号（数値など）を含めた学習データを再度作成し、モデルを再学習させる案を考えている。