[論文レビュー] Artificial Intelligence Decision Support for Medical Triage

Chiara Marchiori, Douglas D. Dykeman+7 more|PubMed|Nov 9, 2020

COVID-19 diagnosis using AI参考文献 25被引用数 7

ひとこと要約

本論文では、90万件のドイツ語のテレコンサルテーション記録を活用し、機械学習および自然言語処理（NLP）を用いたAI駆動型医療トリアージシステムを提示する。このシステムは、モバイルアプリを通じて、個別化され、リアルタイムの患者対応を可能にする。臨床ノートから知識グラフを構築し、症状の洗練に向けたデータドリブンな対話エンジンを採用することで、透明性があり、高い正確性を持つケアパスの推奨を行う。医師による検証を経て、ミリ秒未満の応答時間と高い臨床的正確性を達成している。

ABSTRACT

Applying state-of-the-art machine learning and natural language processing on approximately one million of teleconsultation records, we developed a triage system, now certified and in use at the largest European telemedicine provider. The system evaluates care alternatives through interactions with patients via a mobile application. Reasoning on an initial set of provided symptoms, the triage application generates AI-powered, personalized questions to better characterize the problem and recommends the most appropriate point of care and time frame for a consultation. The underlying technology was developed to meet the needs for performance, transparency, user acceptance and ease of use, central aspects to the adoption of AI-based decision support systems. Providing such remote guidance at the beginning of the chain of care has significant potential for improving cost efficiency, patient experience and outcomes. Being remote, always available and highly scalable, this service is fundamental in high demand situations, such as the current COVID-19 outbreak.

研究の動機と目的

• 遠隔で24時間365日、スケーラブルに患者を支援できるAIベースのトリアージシステムの開発により、医療アクセスの向上を図ること。
• 患者の病歴と類似した過去の症例を統合することで、リアルタイムの推奨を強化し、臨床的意思決定を向上させること。
• 説明可能なAIと医師によるフィードバック（医師が関与する検証）を活用し、システムの透明性、ユーザーの信頼、臨床現場での採用を確保すること。
• 実世界の高負荷医療環境での展開に耐えうる、高いパフォーマンスとスケーラビリティを達成すること。
• 非構造化臨床記録から知識を自動抽出し、再利用可能で多言語対応の医療知識ベースを構築すること。

提案手法

• 90万件のテレコンサルテーション記録を用いて、エンティティおよび関係抽出を含むマルチステージNLPパイプラインを活用し、知識グラフ（KG）を構築した。
• 言語に依存しない深層学習（DL）を組み合わせたNLPモデルを採用し、不正確、誤字、不完全なノートでさえも、高い正確性と再現率で医療エンティティおよび関係を抽出した。
• データドリブンな対話システムを構築し、症状の洗練を図るための個別化された質問を生成することで、患者を的確なトリアージに導く。
• 履歴症例の類似性と臨床ガイドラインを活用し、症状プロファイルを最適なケアパスとタイムフレームにマッピングする推論エンジンを実装した。
• 応答時間の低減を図るため、KGをメモリ上に保持し、ワーカーの増加に伴い線形にスケーラブルな低遅延グラフ走査を実現した。
• 臨床医が検証した正解データを用いた自動テストパイプラインを統合し、継続的なシステム出力の検証と信頼性の確保を実現した。

実験結果

リサーチクエスチョン

• RQ1 非構造化されたテレコンサルテーション記録を、構造的で説明可能な医療知識ベースに自動的に変換する方法は何か？
• RQ2 不正確で低品質な臨床ノートから、医療エンティティおよび関係を高精度に抽出するためのNLP技術は何か？
• RQ3 AI駆動型対話システムは、リアルタイムで患者の症状をどのように洗練させ、トリアージの正確性を向上させることができるか？
• RQ4 リアルタイムの患者対応に耐えうる、低遅延かつ高スケーラビリティを実現するシステムアーキテクチャは何か？
• RQ5 安全性と信頼性を確保するため、臨床的検証と自動テストを開発プロセスにどのように統合できるか？

主な発見

• 十分な計算リソースを備えた状態で、平均応答時間が1秒未満に抑えられ、4秒以内の要件を満たした。
• 知識グラフにより、ミリ秒スケールの性能で効率的かつ低遅延のグラフ走査が可能となり、リアルタイム推論を支えた。
• 自動テスト手順が開発パイプラインにスムーズに統合され、継続的な検証とフィードバックループが実現した。
• 医師が検証した正解データセットを用いてシステムのパフォーマンスを評価したところ、リCALL、PRECISION、Fスコアがすべて必要な閾値を上回り、特に緊急症例の検出において顕著であった。
• システムは高いスケーラビリティを示し、計算リソース（ワーカー）の増加に伴い、応答時間に線形に向上が見られた。
• 患者の病歴と類似症例の統合により、ケア推奨のパーソナライズ性と正確性が向上した。