医療コールインシデントのテキスト分類における深層継続学習の研究
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：Deep continual learning for medical call incidents text classification under the presence of dataset shifts.
雑誌名：Comput Biol Med. 2024 Jun; 175: 108548.
概 要：
本研究の目的は、データセットシフトの存在下で、緊急医療コールインシデント（EMCI）をその生命の危険度に応じて効果的に優先順位付けする深層分類器を開発・評価することです。バレンシア地域の保健サービス部門から取得した1982746件の独立したEMCIインスタンスを含むデータセットを使用し、2009年から2019年までの期間（2013年を除く）を対象としました。このデータセットには、コール中に記録された自由形式のオブザベーションと、イベントが生命を脅かすかどうかを示す二項変数が含まれています。データセットシフトの存在を評価するために、事前確率シフト、共変量シフト、概念シフトを調査しました。
方 法：
本研究では、DistilBERTモデルに基づく4つの深層継続学習（CL）戦略（累積学習、継続的ファインチューニング、経験再生、シナプスインテリジェンス）と、3つのCLベースライン（ジョイントトレーニング、静的アプローチ、単一ファインチューニング）を設計・実装しました。データにおける事前確率シフト、共変量シフト、概念シフトの証拠が示されました。
結 果：
CL技術を適用することで、非継続的アプローチと比較して、F1スコアで測定された後方および前方の知識移転に統計的に有意な（α=0.05）正の影響がありました。EMCIの文脈におけるCL技術の利用は、データ分布の変化に適応する深層学習分類器の効果的な手法であることが示され、モデルのパフォーマンスの安定性を維持することができました。
結 論：
本研究は、実際のEMCIデータを用いたCLアプローチの初めての探求であり、深層学習分類器がデータの変化に適応するための有効性を示しています。