[論文レビュー] Computing patient similarity based on unstructured clinical notes

Petr Zelina, Marko Řeháček+4 more|arXiv (Cornell University)|Jan 12, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

論文は、各患者をノート埋め込みの行列として表現し、複数の類似度測度で行列を比較することで、非構造化臨床ノートから患者の類似性を計算するモジュール型パイプラインを提案します。チェコの乳がんデータセットに対し、専門家の注釈を用いてさまざまな埋め込み技法、フィルタリング戦略、行列類似度手法を評価します。

ABSTRACT

Clinical notes hold rich yet unstructured details about diagnoses, treatments, and outcomes that are vital to precision medicine but hard to exploit at scale. We introduce a method that represents each patient as a matrix built from aggregated embeddings of all their notes, enabling robust patient similarity computation based on their latent low-rank representations. Using clinical notes of 4,267 Czech breast-cancer patients and expert similarity labels from Masaryk Memorial Cancer Institute, we evaluate several matrix-based similarity measures and analyze their strengths and limitations across different similarity facets, such as clinical history, treatment, and adverse events. The results demonstrate the usefulness of the presented method for downstream tasks, such as personalized therapy recommendations or toxicity warnings.

研究の動機と目的

• 構造化データが乏しいときに、非構造化EHRノートから得られる患者の類似性を用いた精密医療の動機づけ。
• 各患者を埋め込みノートの行列として表現し、頑健な類似性計算を可能にする表現を開発。
• 臨床的に関連するカテゴリに渡って、複数の埋め込み技法、フィルタリング方式、行列ベースの類似度測度を評価。

提案手法

• 類似性カテゴリに基づいて臨床ノートをセグメント化・フィルタリングし、関連性の高い内容に焦点を合わせる。
• LSA、Doc2Vec、またはトランスフォーマーベースの埋め込みを用いてフィルタリング済みノートをベクトル化し、患者ノート行列を形成。
• RV係数、MaxMax、または編集距離ベースの測度を適用してペアワイズな患者行列を用いて患者類似性を計算。
• Kendallのτを用いた臨床医提供の類似性注釈による検証 study を通じて組み合わせを評価。
• ハイパーパラメータとノートフィルタリングがカテゴリ特有の性能に与える影響を分析。
• さまざまなバリアントで結果を安定化させるために、組み合わせ埋め込みアンサンブルを提供。

実験結果

リサーチクエスチョン

• RQ1 非構造化臨床ノートから各ノート埋め込みを患者レベルの行列に集約することで、患者類似性を効果的に導出できるか。
• RQ2 埋め込みベクトル化、フィルタリング、行列類似度手法の組み合わせが、臨床的に意味のある類似カテゴリに対して専門家の判断を最もよく反映するか。
• RQ3 セグメントレベルのフィルタリングは、計算された類似性と臨床医提供の類似性の整合性を改善するか。
• RQ4 LSA、Doc2Vec、トランスフォーマー埋め込みなどの異なるベクトル化技術は、行列類似度測度とどのように相互作用し、性能やスケーラビリティに影響するか。
• RQ5 提案表現から最も予測可能な類似性カテゴリと、最も予測困難なカテゴリはどれか。

主な発見

• 最も良い性能を示すオプションは、組み合わせ埋め込みとRV係数類似度（Rrv2）を併用したもので、いくつかのカテゴリで頑健な性能を示す。
• フィルタリングは、特にVlsaと組み合わせ埋め込みで、いくつかのベクトル化手法の性能を向上させる。
• Doc2Vec（Vd2v）は、特に次元が高くフィルタリングを行う設定で、いくつかの構成で性能が低い。
• 類似性予測が大半ランダムである六つのカテゴリを特定しており、データのカテゴリ特有の問題点と限界を指摘。
• カテゴリごとにアノテータ間の一致度は異なり、社会歴、アレルギー、副作用で比較的低い一致を示す。
• 組み合わせ埋め込みアンサンブルは、パラメータ選択に対する性能を安定化させる。