[論文レビュー] Machine Learning and Visualization in Clinical Decision Support: Current State and Future Directions

Gal Levy-Fix, Gilad J. Kuperman+1 more|arXiv (Cornell University)|Jun 6, 2019

Machine Learning in Healthcare参考文献 157被引用数 10

ひとこと要約

本稿は、臨床意思決定支援（CDS）における機械学習（ML）とデータ可視化の統合をレビューし、強力な研究的ポ텐シャルにもかかわらず、現実の導入には課題が残っていることを特定している。インタラクティブな可視化とML駆動の推論が、患者データのレビューを向上させられると提案するが、MLを用いた規定的CDSはまだ未開発であり、システム設計と臨床現場での採用戦略の改善が求められていることを強調している。

ABSTRACT

Deep learning, an area of machine learning, is set to revolutionize patient care. But it is not yet part of standard of care, especially when it comes to individual patient care. In fact, it is unclear to what extent data-driven techniques are being used to support clinical decision making (CDS). Heretofore, there has not been a review of ways in which research in machine learning and other types of data-driven techniques can contribute effectively to clinical care and the types of support they can bring to clinicians. In this paper, we consider ways in which two data driven domains - machine learning and data visualizations - can contribute to the next generation of clinical decision support systems. We review the literature regarding the ways heuristic knowledge, machine learning, and visualization are - and can be - applied to three types of CDS. There has been substantial research into the use of predictive modeling for alerts, however current CDS systems are not utilizing these methods. Approaches that leverage interactive visualizations and machine-learning inferences to organize and review patient data are gaining popularity but are still at the prototype stage and are not yet in use. CDS systems that could benefit from prescriptive machine learning (e.g., treatment recommendations for specific patients) have not yet been developed. We discuss potential reasons for the lack of deployment of data-driven methods in CDS and directions for future research.

研究の動機と目的

• 機械学習とデータ可視化が臨床意思決定支援（CDS）システムにどのように統合されているかを評価すること。
• 研究の関心は強いものの、実臨床現場ではデータ駆動型技術（MLや可視化）が未だに活用されていない理由を特定すること。
• インタラクティブな可視化と機械学習を活用して、患者データの整理と医療従事者の意思決定をどのように改善できるかを検討すること。
• 個別化された治療法をMLを用いて推奨する規定的CDSシステムが開発されていないことの原因を検証すること。
• 機械学習と可視化を臨床的に実用的でユーザー中心のCDSツールに統合するための今後の研究方向性を提示すること。

提案手法

• アラート、データレビュー、治療提案の3つのCDSタイプを対象として、機械学習、可視化、CDSに関する包括的な文献レビューを実施すること。
• ヒューリスティックな知識、MLモデル、可視化技術が、患者データの整理と解釈に果たす役割を分析すること。
• 臨床データレビューにインタラクティブな可視化とML推論を統合したプロトタイプシステムの評価を行うこと。
• 実践でのMLベースのCDSの導入を制限する技術的・臨床的・組織的障壁を同定すること。
• 医療従事者を支援するための説明可能なMLとインタラクティブな可視化を統合した今後のCDSシステムのフレームワークを提言すること。
• 研究プロトタイプから臨床現場への移行に注力し、ML出力の信頼性と使いやすさの向上を重視すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習と可視化技術は、現在どの程度臨床意思決定支援システムで使用されているか？
• RQ2 有望なMLおよび可視化プロトタイプが、なぜ実臨床現場で導入されていないのか？
• RQ3 インタラクティブな可視化とML推論は、医療従事者が患者データをどのように整理・解釈できるかをどのように改善できるか？
• RQ4 個別化された治療法をMLを用いて推奨する規定的CDSシステムを開発するにあたり、主な課題は何か？
• RQ5 ML研究と臨床実装のギャップを埋めるために、今後の研究でどのような方向性が必要か？

主な発見

• 臨床用アラートの予測モデリングに関する研究は盛んであるが、現行のCDSシステムではこれらのML手法が実際の現場で活用されていない。
• 患者データレビューにインタラクティブな可視化とML推論を組み合わせたアプローチは注目を集めつつあるが、依然としてプロトタイプ段階にとどまっている。
• 個別化された治療法をMLを用いて推奨する規定的CDSシステムは、まだ開発されていない。
• データ駆動型CDS手法の導入が遅れている主な要因は、技術的・臨床的・組織的障壁に起因しており、信頼性の欠如や使いやすさの問題が含まれる。
• 説明可能なMLとインタラクティブな可視化を統合した、臨床的に実用的でユーザー中心のCDSシステムを構築するための今後の研究が明確に必要である。
• 特にリアルタイムで個別化された患者ケアを対象とした文脈において、CDSにおける可視化とMLの統合はまだ十分に検討されていない。