[論文レビュー] Fast, Structured Clinical Documentation via Contextual Autocomplete

Divya Gopinath, Monica Agrawal+4 more|arXiv (Cornell University)|Jul 29, 2020

Topic Modeling参考文献 27被引用数 16

ひとこと要約

本論文は、EHRデータからの標準化された医療概念の提案を用いて、キーストロークを67％削減し、自動的にタグ付けと構造化を施す、リアルタイムで文脈に応じた補完システムを提案する。このシステムは、ライブの病院ワークフローに統合されており、即時の意味の明確化、UMLSを用いた意味の正規化、および複数のセクションへの動的挿入を可能にし、文書作成の効率とデータ品質を顕著に向上させる。

ABSTRACT

We present a system that uses a learned autocompletion mechanism to facilitate rapid creation of semi-structured clinical documentation. We dynamically suggest relevant clinical concepts as a doctor drafts a note by leveraging features from both unstructured and structured medical data. By constraining our architecture to shallow neural networks, we are able to make these suggestions in real time. Furthermore, as our algorithm is used to write a note, we can automatically annotate the documentation with clean labels of clinical concepts drawn from medical vocabularies, making notes more structured and readable for physicians, patients, and future algorithms. To our knowledge, this system is the only machine learning-based documentation utility for clinical notes deployed in a live hospital setting, and it reduces keystroke burden of clinical concepts by 67% in real environments.

研究の動機と目的

• 電子的健康記録（EHR）における医師の文書作成負担を軽減すること。現在、これは患者との対面時間を上回っている。
• 構造のない、曖昧で、専門用語が多く含まれる臨床ノートが読みにくく、機械学習の利用を妨げる問題に対処すること。
• 文脈特徴（トリアージ情報および過去のノート）を用いて、ノート作成中に標準化された臨床的概念を提示する、実装可能でリアルタイムのシステムを開発すること。
• 臨床ノートを、標準語彙（例：UMLS）でタグ付けすることで、ケアの現場で即座に構造化すること。
• 将来の機械学習アプリケーション用に、前向きで高品質なラベル付き臨床概念データセットを作成すること。

提案手法

• 本システムは、臨床ノートおよびEHRデータを用いて訓練された階層的言語モデルを用い、文脈に基づいて次の関連する臨床的概念を予測する。
• 低遅延推論を実現するため、浅いニューラルネットワークを活用することで、クライアント側の遅延を著しく増加させずにリアルタイムの提案を可能にする。
• 入力特徴にはトリアージ情報および過去の医療ノートが含まれ、これらは予測のための患者の文脈を表すように符号化される。
• 提案された概念は、意味的一致性と意味の明確化を確保するため、標準化された医療語彙（UMLS）にマッピングされる。
• タグ付けされた概念を、過去の病歴などの複数のセクションに自動挿入することで、重複入力を削減する。
• スコープ検出に失敗した場合に備えて、マニュアルトリガー機構を用いることで、文脈が不完全であっても使いやすさを保証する。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムで軽量な機械学習モデルは、EHR文書作成中に臨床的に関連性の高い標準化された概念を効果的に提案できるか？
• RQ2 文脈に応じた補完は、実際の臨床ワークフローにおいて、キーストローク負担をどの程度軽減できるか？
• RQ3 臨床的概念のライブタグ付けは、ノートの構造化と機械読み取り可能性を向上させられるか？
• RQ4 データがスパースまたは欠損している患者に対しても、モデルはどの程度一般化できるか？
• RQ5 ノート内ですでにタグ付けされた語句に基づいて、提案の動的更新が可能か？

主な発見

• 本システムは、実際の病院環境において、臨床的概念のキーストローク負担を67％削減し、文書作成時間を顕著に短縮した。
• 患者の病歴表現などの少数の重要な特徴を用いるだけで、モデルは高い性能を達成した。特にデータがスパースな状況でも同様であった。
• 標準化されたUMLS概念へのマッピングにより、重複語（例：複数の硬化症 vs. mitral stenosis としての「MS」）の明確化に成功した。
• 本ツールにより、タグ付けされた概念（例：疾患）をノートの関連セクションに自動的に伝搬でき、重複入力の削減が実現した。
• 本システムは、ライブ病院環境での実現可能性を示した。これは、このような環境に導入された最初の機械学習ベースの文書作成ユーティリティであった。
• アブレーションスタディにより、複雑なデータ補完に依存せず、最小限の特徴工学で十分な性能が得られることを確認した。