[論文レビュー] Before and After: Machine learning for perioperative patient care

Iuliia Ganskaia, Stanislav Abaimov|arXiv (Cornell University)|Jan 20, 2022

Artificial Intelligence in Healthcare and Education被引用数 8

ひとこと要約

このクロスディシプリナリーなレビューでは、術前・術中・術後の患者ケアにおける機械学習（ML）アプリケーションの技術的分類フレームワークを提案し、プロセス、患者、オペレーター、フィードバック、テクノロジーの焦点に基づいてシステムを分類する。MLがデータドリブンな意思決定支援を通じて術前診断、術中モニタリング、術後回復をどのように向上させるかを示す一方で、実臨床応用における信頼性、サイバーセキュリティ、倫理的課題にも言及している。

ABSTRACT

For centuries nursing has been known as a job that requires complex manual operations, that cannot be automated or replaced by any machinery. All the devices and techniques have been invented only to support, but never fully replace, a person with knowledge and expert intuition. With the rise of Artificial Intelligence and continuously increasing digital data flow in healthcare, new tools have arrived to improve patient care and reduce the labour-intensive work conditions of a nurse. This cross-disciplinary review aims to build a bridge over the gap between computer science and nursing. It outlines and classifies the methods for machine learning and data processing in patient care before and after the operation. It comprises of Process-, Patient-, Operator-, Feedback-, and Technology-centric classifications. The presented classifications are based on the technical aspects of patient case.

研究の動機と目的

• コンピュータサイエンスと看護学の間のギャップを埋めるために、術期患者ケアに機械学習を統合すること。
• 手術前後における患者の予後を改善するためのMLの未開拓の可能性に取り組むこと。
• プロセス、患者、オペレーター、フィードバック、テクノロジーといった技術的・運用的次元に基づいて、患者ケアにおけるMLアプリケーションを分類すること。
• 臨床現場におけるMLの導入に向けた信頼性、サイバーセキュリティ、倫理的課題を特定すること。
• 看護学および外科的ケア分野の臨床的専門知識を代替するのではなく支援するAIツールの今後の開発を導くこと。

提案手法

• 術期ケアにおけるMLアプリケーションのための五次元分類システム（プロセス中心、患者中心、オペレーター中心、フィードバック中心、テクノロジー中心）を提唱する。
• スマートベッド、IoTセンサー、ロボットシステムなどの既存のスマートデバイスがMLと統合され、リアルタイムモニタリングおよびデータ処理に用いられていることを分析する。
• 教師あり学習、教師なし学習、強化学習の手法を用いて、歴史的およびストリーミング健康データ上でモデルを学習させ、予測診断に応用する。
• マズローの欲求段階説を概念的枠組みとして用い、MLアプリケーションを人間中心のケアの原則と一致させる。
• MLパイプライン内でのデータプライバシーのレベル（匿名、機密、公開）を評価し、コンプライアンスとセキュリティを確保する。
• リアルタイムデータ処理およびモデルの解釈可能性における現在の限界をレビューし、段階的で助言型のMLシステムの導入を提唱する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして機械学習を術期患者ケアの文脈内で体系的に分類できるか？
• RQ2 看護および外科的支援システムにおける効果的なML統合を定義づける技術的・運用的次元は何か？
• RQ3 臨床的判断を代替することなく、MLが術前診断および術後回復をどのように改善できるか？
• RQ4 リアルタイム臨床環境における患者ケアにMLを導入するにあたり、主な倫理的・セキュリティ的・信頼関連の課題は何か？
• RQ5 MLベースのシステムは、看護師や臨床医の人的直感と専門知識を代替するのではなく、どのように支援するように設計できるか？

主な発見

• 機械学習は、医療の効果性を著しく向上させ、患者の回復を加速させ、術期のストレスを軽減する可能性を有する。
• 現在の医療分野におけるMLアプリケーションは、主にデータ収集と分析の最適化に限定されており、リアルタイムで自律的な意思決定を可能にするには至っていない。
• サイバーセキュリティの脅威は深刻なリスクを伴い、医療システムに対するランサムウェア攻撃が患者の死亡に繋がった事例も報告されている。
• 人間の意思決定と比較して、精度や解釈可能性が不十分なため、医療従事者によるMLシステムへの信頼は依然として低い。
• 特に命に関わる意思決定に影響を与える自律型システムに関する倫理的懸念が、医療分野におけるML統合を制限している。
• 標準化と規制ガイドライン（例：英国国家スクリーニング委員会の途切れ中のAI指針）が登場しているが、広範な展開にはまだ不十分である。