| 研究課題/領域番号 |
21H03164
|
|---|
| 研究機関 | 高知大学 |
|---|
研究代表者 |
奥原 義保 高知大学, 医学部, 名誉教授 (40233473)
|
|---|
| 研究分担者 |
畠山 豊 高知大学, 教育研究部医療学系連携医学部門, 教授 (00376956)
宮野 伊知郎 高知大学, 教育研究部医療学系連携医学部門, 准教授 (00437740)
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)
瀬尾 宏美 高知大学, 教育研究部医療学系医学教育部門, 教授 (80179316)
|
|---|
| 研究期間 (年度) |
2021-04-01 – 2024-03-31
|
| キーワード | 臨床推論 / real-world data / 知識データベース / 推論システム |
|---|
| 研究実績の概要 |
今年度は、初診時記録に対し、まず疾患分類各クラスでの名詞単語出現比率を求め、クラス間の差と件数が多い単語を選択、単語の肯定・否定も考慮した特徴語とし、これらと診断病名の関係を、Naive Bayes, Exact Bayes, logistic回帰、相関分析、決定木を用いて検討、臨床推論システム構築に適しているか評価した。
対象は高知大学の電子カルテシステムであり、ある主訴の患者が特定の診断病名であるか否かの2クラス分類で評価した。その結果、相関分析はルールの組み合わせが膨大になること、決定木は正解率が分岐によってばらつきがあり樹構造の最適化に汎用的な基準がないことから、いずれも推論システム構築には適さないと判断した。
残りの3方法については、正解率は、Exact Bayesが最も良かったものの、Exact BayesとLogistic回帰については、多数の疾患とその特徴量の組み合わせが極めて多くなることから知識データベース化は簡単ではないと考えられる。Naive Bayesの場合、特徴量が多くない場合はlogistic回帰と同等かそれ以上の正解率であり、特徴量が多数で正解率が低い場合でも、Logistic回帰のstepwise法で特徴量を絞り込めばlogistic回帰と同等の正解率となった。また、Exact Bayesと比べて90%から87%程度の精度であった。さらに、必要なのは、各疾患の各特徴量に対する感度と特異度で、データベース化は容易であり、候補病名が複数である他クラス分類への拡張とアブダクション推論への発展も容易である。
これらのことから、Naive Bayesによる統計的推論およびアブダクション推論の組み合わせによる推論システムの構築が最も有望であると考えられる。Exact Bayes, logistic回帰については教師データ構築に有用と考えられる。
|
| 現在までの達成度 (段落) |
令和5年度が最終年度であるため、記入しない。
|
| 今後の研究の推進方策 |
令和5年度が最終年度であるため、記入しない。
|
