[論文レビュー] Prediction Using Note Text: Synthetic Feature Creation with word2vec

Manuel Amunategui, Tristan Markwell+1 more|arXiv (Cornell University)|Mar 17, 2015

Machine Learning in Healthcare参考文献 1被引用数 6

ひとこと要約

本論文では、未構造化な医療メモのテキストを、ヘルスケアリスクモデリングのための合成的予測特徴量に変換するためにword2vecを用いる手法を提案している。650 MBの電子的医療記録メモを用いて訓練された著者らのベクトル表現は、COPD患者の30日以内再入院リスクを予測する際、既存のLACEスコアと同等の性能を示した。これは、豊富なNLPの専門知識が不要な低コード手法による臨床テキストの活用を示している。

ABSTRACT

word2vec affords a simple yet powerful approach of extracting quantitative variables from unstructured textual data. Over half of healthcare data is unstructured and therefore hard to model without involved expertise in data engineering and natural language processing. word2vec can serve as a bridge to quickly gather intelligence from such data sources. In this study, we ran 650 megabytes of unstructured, medical chart notes from the Providence Health & Services electronic medical record through word2vec. We used two different approaches in creating predictive variables and tested them on the risk of readmission for patients with COPD (Chronic Obstructive Lung Disease). As a comparative benchmark, we ran the same test using the LACE risk model (a single score based on length of stay, acuity, comorbid conditions, and emergency department visits). Using only free text and mathematical might, we found word2vec comparable to LACE in predicting the risk of readmission of COPD patients.

研究の動機と目的

• 未構造化臨床メモからのword2vec埋め込みが、医療予測に有効な合成特徴量を生成できるかどうかを検討すること。
• COPD患者の30日以内再入院リスク予測における、word2vec由来特徴量の予測力を評価すること。
• 既存のLACEリスクスコア（臨床ベンチマーク）と比較して、word2vecベースの特徴量の性能を評価すること。
• 電子的医療記録から、深いNLP設計を要しないスケーラブルで低コードな方法で行動可能なインサイトを抽出することを示すこと。

提案手法

• word2vecは、Providence Health & Servicesの電子的医療記録システムから得た650 MBの未構造化医療記録メモに訓練された。
• word2vec埋め込みから予測変数を生成するための2つの異なるアプローチが用いられた：1つのメモごとに単語ベクトルを平均化する方法と、文単位のベクトル表現を用いる方法。
• 得られたベクトル特徴量が、COPD患者の30日以内再入院リスクを予測するための予測モデルの入力として使用された。
• 性能は標準指標を用いて評価され、入院期間、急性度、合併症、救急受診回数を用いるLACEリスクスコアと比較された。
• 両方のモデルで同じデータセットとアウトカム測定を用いた制御された実験設定が採用された。

実験結果

リサーチクエスチョン

• RQ1 自由記述の臨床メモからのword2vec埋め込みが、患者のアウトカムに対する予測信号を効果的に捉えられるか？
• RQ2 word2vec由来特徴量の予測性能は、COPD再入院に対して既存のLACEリスクスコアと比べてどの程度か？
• RQ3 複雑なNLPパイプラインに代わって、単純で数学的アプローチが医療データモデリングでどの程度代替可能か？
• RQ4 専門家によるアノテーションやルールベースのシステムを必要としない、word2vecからの合成特徴量が臨床的に意味を持つことができるか？

主な発見

• 未構造化医療メモからのword2vec埋め込みは、COPD患者の30日以内再入院リスクを予測する際、LACEリスクスコアと同等の予測性能を達成した。
• 本研究は、手動による特徴量設計を要せず、無監視の埋め込み技術が自由記述メモから臨床的に関連する情報を抽出できることを示した。
• 分野特化の言語ルールや膨大な前処理を必要としなかったため、スケーラビリティと低コードの可能性が顕著になった。
• 結果から、word2vecが未構造化臨床テキストと定量的リスクモデリングの間を効果的につなぐ役割を果たせる可能性があることが示唆された。