機械学習と自然言語処理を用いた緊急医療サービスデータにおける疑似オピオイド過剰摂取定義の評価と強化
カテゴリ：災害・救急医療
公開日：2026年4月29日
タイトル：Evaluation and enhancement of suspected opioid overdose definitions in emergency medical services data using machine learning with natural language processing.
雑誌名：PLoS One. 2026; 21(4): e0347589. doi: 10.1371/journal.pone.0347589.
概 要：
薬物過剰摂取は重大な公衆衛生危機となっており、2019年以降、致死的な薬物過剰摂取率が50%以上増加しています。緊急医療サービス（EMS）データは、従来の救急科データに比べて迅速性や非搬送事例の把握において利点がありますが、疑似オピオイド過剰摂取（SOO）の定義には合意がありません。本研究では、機械学習と自然言語処理（ML-NLP）を用いてSOOの特定を強化する可能性を探ります。
方 法：
本研究は、ケンタッキー州のEMSデータ（2018-2022）からの2,327件の重み付けされた遭遇データを用いた二次データ分析です。EMSの専門家が記録を手動でレビューし、SOOラベルの真実を決定しました。狭義から広義までの5つのKB定義を検討し、ML-NLPモデルを構築しました。モデルとKB定義は、感度、特異度、精度、適合率、F1スコアを用いて評価されました。
結 果：
ML-NLPモデルはKB定義を上回り、構造化データとKBモデルを組み合わせたものが最高のFスコア（0.81）を達成しました。構造化データのみのアプローチは感度が低く（0.30-0.45）、患者ケアのナラティブや追加の構造化フィールドを含めることでモデルの性能が向上し、ML-NLPモデルは高い感度（89.1%）と精度（89.0%）を示しました。
結 論：
統合されたML-NLPアプローチは、構造化データのみ、非構造化データのみ、KBデータのみのアプローチに比べてオピオイド過剰摂取の監視において大幅な改善を提供します。今後の研究では、これらのモデルの異なる集団や地理的地域における一般化可能性を探る必要があります。