| 研究課題/領域番号 |
22K10416
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分58010:医療管理学および医療系社会学関連
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
山下 貴範 九州大学, 大学病院, 准教授 (00807381)
|
|---|
| 研究分担者 |
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, 医学研究院, 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)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2025年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
2022年度: 1,040千円 (直接経費: 800千円、間接経費: 240千円)
|
|---|
| キーワード | 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 |
|---|
| 研究開始時の研究の概要 |
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。
|
| 研究実績の概要 |
リアルワールドデータのデータ源である電子カルテは、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が困難である。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り、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。
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。2023年度は、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。
今年度は、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を分類し、データ整形を行った。BERTの環境を整備し、プレ解析を行なっった。
2024年度では、各疾患のパスの診療データ（テキストデータ、パスデータ、DPCデータなど）を整理した。BERT基盤を構築し、目的変数を設定して解析する環境を整備した。これまでの抽出因子との比較や精度評価について実施する予定である。また近年、生成AIの利活用も著しく、本研究との比較についても考察する必要がある。
|
| 現在までの達成度 |
現在までの達成度
2: おおむね順調に進展している
理由
2023年度は、BERT環境構築に遅れが見られたが、今年度に環境構築とデータ整形（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）まで実施し、遅れを取り戻した。
プレ解析も実施したため2025年度には本格的な解析を実施する。
|
| 今後の研究の推進方策 |
BERT環境整備と本研究のデータ整形（診療テキストとクリニカルパス、DPCファイルなど）が準備できた。本環境にて機械学習を用いた解析を実施し、パス改訂につながる解析を予定している。診療テキストとクリニカルパス、DPCファイルを疾患ごと（肺がんパス、胃がんパス、循環器系疾患パス）にデータを準備し、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、院内のパス検討委員会などに諮り、現場へフィードバックする。
改訂後の運用ではデータが蓄積されるため、今年度はその評価までを目標とする。準備したデータは時系列の要素を保持しているため、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。
さらに、当初の計画では入院パスが対象であったが院内では外来パスの実証を開始した。外来のためDPCは対象外になるがどの程度効果がでるか検証を予定している。
医療現場において継続的な改善サイクルのLearning Health Systemを推進する。
|
