MEDICINE & AI

タイトル：Leveraging Electronic Health Record Data and Artificial Intelligence to Develop a Crosswalk Tool for Personalized Clinical Experience Profiles of Emergency Medicine Residents DOI：10.1093/acamed/wvag082 概　要： 本研究は、救急医学のレジデントが無監督の実践に必要なコアコンピテンシーを満たすために、広範な臨床経験を獲得する必要があることを背景に、電子健康記録（EHR）データと人工知能（AI）を活用して、レジデントの臨床体験を正確に評価するためのクロスウォークツールを開発することを目的としています。従来の手動でのICD-10コードのマッピングはスケーラビリティを制限しており、本研究ではAIモデルを用いて、レジデントの診療診断をアメリカ救急医学専門医ボードの臨床実践モデル（MCPEM）にマッピングしました。 方　法： 本研究は、2023年1月1日から10月31日までの間に、単一の学術システム内の3つのサイトで行われたレジデントの診療エンカウンターを分析しました。AIモデルを使用して、診断をMCPEMカテゴリにマッピングし、ICD-10記述子を用いてベクトル化し、最も近いMCPEMカテゴリに一致させました。教員評価者は、最も一般的なマッピングを反復的に検証し、その結果をインタラクティブな学習者ダッシュボードに統合しました。 結　果： 119,320件のエンカウンターの中で、5,960のユニークなICD-10記述子（1,126の幹コード）が特定されました。最も一般的な650の診断のうち、507（78.0%）がMCPEMサブカテゴリへの有効なマッピングと判断されました。教員の意見が一致しなかったマッピングの中で、305の代替サブカテゴリマッピングのうち171（56.0%）が合意に達し、全体で515の650（79.2%）に評価者間の一致が向上しました。インタラクティブなダッシュボードは、レジデントレベルのケースミックスをMCPEMカテゴリにマッピングし、匿名のピア比較とプログラムレベルの集計を表示しました。 結　論： 今後の計画には、診断以外の入力を拡張し、マッピングの検証に関する広範な利害関係者のレビューを行い、他の専門分野の内容概要への一般化を評価することが含まれます。これにより、大学院医学教育、臨床学習環境、トレーニングデザインに対するフィードバックループの精度を高めるためのスケーラブルで再現可能なモデルを生産することを目指します。