[論文レビュー] Machine Learning Applications In Healthcare: The State Of Knowledge and Future Directions

Mrinmoy Roy, Sarwar J. Minar+2 more|arXiv (Cornell University)|Jul 26, 2023

Artificial Intelligence in Healthcare被引用数 5

ひとこと要約

本論文は、医療分野における機械学習（ML）の応用を包括的かつ体系的にレビューし、コミュニティヘルス、リスク管理、業務運用、リモートケア、早期発見の5つの分野に分類して、迅速なアクセスを可能にする表形式の参考文献を提示している。臨床医とML研究者との間の知識格差を埋めるために、現在の応用事例を統合し、今後の研究方向性を提示することを目的としている。

ABSTRACT

Detection of easily missed hidden patterns with fast processing power makes machine learning (ML) indispensable to today's healthcare system. Though many ML applications have already been discovered and many are still under investigation, only a few have been adopted by current healthcare systems. As a result, there exists an enormous opportunity in healthcare system for ML but distributed information, scarcity of properly arranged and easily explainable documentation in related sector are major impede which are making ML applications difficult to healthcare professionals. This study aimed to gather ML applications in different areas of healthcare concisely and more effectively so that necessary information can be accessed immediately with relevant references. We divided our study into five major groups: community level work, risk management/ preventive care, healthcare operation management, remote care, and early detection. Dividing these groups into subgroups, we provided relevant references with description in tabular form for quick access. Our objective is to inform people about ML applicability in healthcare industry, reduce the knowledge gap of clinicians about the ML applications and motivate healthcare professionals towards more machine learning based healthcare system.

研究の動機と目的

• 医療分野における機械学習の応用に関する散在した知識を、体系的かつアクセスしやすい形式に統合すること。
• 臨床医とML研究者との間の知識格差を、実用的応用の明確で根拠のある概要を提供することで低減すること。
• 臨床的・業務的分野における既存のML応用を特定・分類し、発見および導入を容易にすること。
• 説明可能性の欠如や文書化の不備といった、実世界への導入を妨げる課題を浮き彫りにすること。
• 根拠に基づいた体系的な知見を提供することで、医療従事者によるMLベースのソリューションへのより高い採用を促すこと。

提案手法

• コミュニティヘルス、リスク管理、医療業務運用、リモートケア、早期発見の5つの主要分野にわたり、ML応用を体系的に分類すること。
• 各分野を具体的な臨床的または業務的分野（例：疾患予測、患者モニタリング、リソース配分）にさらに細分化すること。
• 各応用分野ごとに関連する査読付き論文を収集し、簡潔な説明を併記すること。
• 表形式を用いて情報を提示することで、迅速な参照とアクセス性の向上を図ること。
• 理論的または実験的モデルではなく、臨床的に関連性があり実世界で利用可能な応用に焦点を当てる。
• 今後の研究と実装を支援するため、説明可能性と実装上の課題に重点を置く。

実験結果

リサーチクエスチョン

• RQ1 医療分野における機械学習の現在の主な応用は、どのような臨床的・業務的分野にわたり、それぞれどのような形で展開されているか？
• RQ2 医療現場におけるMLの導入を妨げる主な障壁、特に医療従事者における導入の阻害要因は何か？
• RQ3 MLの応用をどのようによりよく文書化・構造化すれば、臨床医にとってのアクセス性と使いやすさが向上するか？
• RQ4 どの医療分野がML統合において最も可能性を秘めており、その代表的なユースケースは何か？
• RQ5 医療分野におけるMLの臨床的関連性と説明可能性を高めるために、今後の研究でどのような方向性が求められるか？

主な発見

• 機械学習は、隠れたパターンを特定し、大規模なデータセットを迅速に処理できる能力があるため、医療分野でますます重要性を増している。
• 多数の有望な応用事例がある一方で、現在の医療システムへの統合は限定的である。
• 標準化され、説明可能で、十分に文書化されたMLリソースの欠如が、臨床現場での採用を妨げる主要な障壁の一つである。
• 本研究では、関連する参考文献とともに、ML応用を5つの主要分野に体系的に整理し、グループ化に成功した。
• 応用事例を説明文と参考文献とともに表形式で提示したことで、臨床医による迅速なアクセスと意思決定支援が可能になった。
• 本論文は、知識の広報強化と医療従事者向けのML文書化の改善が、実世界への実装を加速するために明確に必要であると指摘した。