[論文レビュー] Toward Understanding Clinical Context of Medication Change Events in Clinical Narratives

Diwakar Mahajan, Jennifer J. Liang+1 more|PubMed|Nov 17, 2020

Machine Learning in Healthcare参考文献 26被引用数 15

ひとこと要約

本稿では、臨床ノートにおける薬剤変更イベントを、行動（Action）、時間的性質（Temporality）、確実性（Certainty）、行動者（Actor）の4つの直交的次元でアノテートする9,013件のアイテムを含む、文脈を考慮した薬剤イベントデータセット（CMED）を紹介する。新しい概念的枠組みを用いることで、薬剤再確認やタイムライン生成などの臨床応用における文脈理解が向上し、特徴工学を用いたSVMを用いたベースラインでは、イベント分類のF1スコアが最大0.88、行動者予測のF1スコアが0.96に達した。

ABSTRACT

Understanding medication events in clinical narratives is essential to achieving a complete picture of a patient's medication history. While prior research has explored identification of medication changes in clinical notes, due to the longitudinal and narrative nature of clinical documentation, extraction of medication change alone without the necessary clinical context is insufficient for use in real-world applications, such as medication timeline generation and medication reconciliation. Here, we present a framework to capture multi-dimensional context of medication changes documented in clinical notes. We define specific contextual aspects pertinent to medication change events (i.e. Action, Negation, Temporality, Certainty, and Actor), describe the annotation process and challenges encountered while creating the dataset, and explore models based on state-of-the-art transformers to automate the task. The resulting dataset, Contextualized Medication Event Dataset (CMED), consisting of 9,013 medications annotated over 500 clinical notes, will be released to the community as a shared task in 2021-2022.

研究の動機と目的

• 過去の薬剤イベント分類研究において、特に薬剤再確認やタイムライン生成などの実世界応用を想定した際の包括的な臨床的文脈の欠如に対処すること。
• 非構造化臨床ナラティブにおける薬剤変更イベントの完全な臨床的文脈を捉えるための構造的で多次元的なフレームワークの開発。
• 共有課題を支援し、臨床NLP分野の研究を前進させるために、高品質でコミュニティが利用可能なデータセット（CMED）の作成と公開。
• 多様な言語的および文脈的特徴を用いたベースライン実験を通じて、文脈を考慮した薬剤イベント分類の実現可能性の検証。

提案手法

• 著者らは、薬剤変更の文脈を4つの直交的次元に分類する概念的枠組みを構築した：行動（例：開始、中止、増加）、時間的性質（過去、現在、未来）、確実性（確実、仮説的、条件的）、行動者（医師、患者）。
• 医師をリーダーとする3名のアノテーターが、i2b2/UTHealth 2014 NLP共有課題の500件の臨床ノートをアノテートし、そのうち120件を評価者間整合性（Cohen’s kappa）の算出に使用。
• データセットCMEDは、500件のノートにまたがる9,013件の薬剤表記を含み、訓練セットに7,230件、テストセットに1,783件が含まれ、2021年に共有課題として公開された。
• 5段階の分類パイプラインを用いた：(1) 各表記を「処置あり」「処置なし」「未定義」に分類；(2)～(5) は、処置イベントを4つの文脈次元に沿って分類。
• 線形カーネルを用いた特徴ベースのSVMモデルを、n-gram、語彙文法的（品詞、基本形）、ウィンドウベース、係り受け解析、ノートセクション、RxNorm識別子の6つの特徴クラスを用いて学習。
• クラスの不均衡に対処するためクラスウェイトを調整し、特徴のアブレーションを実施して各分類サブタスクへの影響を評価。

実験結果

リサーチクエスチョン

• RQ1 臨床ナラティブにおける薬剤変更イベントを、単純な分類を超えて、どのように体系的に文脈化できるか？
• RQ2 薬剤イベントの行動、時間的性質、確実性、行動者という次元を予測するうえで、最も有用な特徴は何か？
• RQ3 薬剤表記の臨床ノート内での位置（例：HPI対比PMH）が、時間的性質および行動者分類のパフォーマンスにどの程度向上効果をもたらすか？
• RQ4 RxNorm識別子や係り受け解析の導入が、薬剤イベントの文脈モデリングにどのように寄与するか？
• RQ5 機械学習モデルが、この多次元的・多クラス分類タスクにおいて、どの程度のベースラインパフォーマンスを示すか？

主な発見

• ベースラインSVMモデルは、イベント分類タスク（処置あり vs. 処置なし vs. 未定義）でF1スコア0.88を達成し、ノートセクションおよびウィンドウ特徴が最も大きな影響を示した。
• 行動者分類サブタスクでは、F1スコア0.96を達成し、医師か患者かが薬剤変更を開始したかを識別する性能が優れていた。
• 時間的性質次元ではF1スコア0.85を達成し、セクションコンテキスト（例：HPI vs. PMH）を活用することでノートセクション特徴がパフォーマンスを顕著に向上させた。
• 確実性次元ではF1スコア0.92を記録し、可能性に関する言語的手がかり（例：'if'、'may'）が確実性レベルを予測する上で非常に予測的であることが示された。
• 行動次元ではF1スコア0.67を達成し、ウィンドウおよび語彙文法的特徴が増加、減少、その他の変更を区別するうえで最も効果的であった。
• 特徴のアブレーション解析から、異なる特徴タイプが次元ごとに異なる影響を示したことが判明し、次元に応じた特徴選択戦略の必要性が示された。