マルチモーダル・マルチクラス機械学習モデルを用いた外傷の重症度の自動層別化
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：Automated stratification of trauma injury severity across multiple body regions using multi-modal, multi-class machine learning models.
雑誌名：J Am Med Inform Assoc. 2024 May 20; 31(6): 1291-1302. doi: 10.1093/jamia/ocae071.
概 要：
本研究の目的は、臨床テキストと構造化された電子健康記録（EHR）データを用いて、外傷の重症度を自動的に層別化する機械学習モデルを開発することです。外傷の重症度の迅速な層別化は、外傷ケアの質を向上させる可能性がありますが、認定された外傷コーダーによる手動の注釈が必要です。研究では、外傷登録データとリンクした臨床文書と構造化EHR変数を利用し、異なるテキスト表現アプローチを持つ2つの機械学習モデルを作成しました。
方 法：
本研究では、自由記述から抽出した概念固有識別子（CUI）を構造化EHR変数と融合させたモデルと、自由記述と構造化EHR変数を統合したモデルの2つを使用しました。モデルの時間的一般化可能性を確保するために、時間的検証を行い、変数の重要性を評価する分析も実施しました。
結 果：
両モデルは、脚の外傷を分類する際に高い精度を示し、マクロF1スコアは0.8を超えました。また、胸部や頭部の外傷評価においても、マクロF1スコアは0.7以上または近くの精度を示しました。変数重要性分析では、モデル内の最も重要な特徴が臨床的に関連する外傷を特定する上で強い妥当性を持つことが示されました。
結 論：
CUIベースのモデルは、自由記述ベースのモデルと比較して同等またはそれ以上の性能を達成し、複雑さが低減されました。さらに、構造化EHRデータの統合は、テキストモダリティが不十分な場合に特に性能を向上させます。本研究のマルチモーダル・マルチクラスモデルは、外傷の重症度を正確に層別化し、臨床的に関連する解釈を提供できる可能性があります。