小児救急科における重症患者の特定のための深層学習に基づく自然言語処理
カテゴリ：災害・救急医療
公開日：2026年6月16日
タイトル：Deep learning-based natural language processing for critical care identification in pediatric emergency department.
雑誌名：BMC Emerg Med. 2026 Jun 16; 26(1): doi: 10.1186/s12873-026-01560-5.
概 要：
小児救急患者の初期評価は、臨床症状の多様性や、初回診察時に利用できない詳細な検査結果を必要とする既存の死亡スコアリングシステムの限界により困難です。本研究では、深層学習（DL）に基づく自然言語処理（NLP）技術が、構造化データ（バイタルサイン）と非構造化データ（医師による臨床テキスト）を統合し、小児救急科において重症患者を正確に特定できるかを検討しました。
方 法：
2012年1月1日から2021年12月31日までの間に、三次医療機関で収集された87,748人の子供（重症例599件、入院例14,095件）を対象に、用語頻度-逆文書頻度-ロジスティック回帰、極端勾配ブースティング、勾配ブースティング、ランダムフォレストの4つの機械学習モデルと、韓国医療双方向エンコーダ表現（KM-BERT）フレームワークに基づく2つの深層学習モデルをテストしました。
結 果：
KM-BERTは、マスク言語モデル（MLM）を使用して重症患者の予測においてすべての機械学習モデルを上回り、受信者動作特性曲線（AUROC）で0.941±0.015、精度で0.952±0.002を達成しました。また、入院患者の予測においてもAUROC 0.879±0.004、精度0.798±0.002を示しました。
結 論：
これらの結果は、特にMLMを用いたKM-BERTによる深層学習に基づく自然言語処理アプローチが、従来の機械学習モデルと比較して小児救急科における重症患者および入院患者の早期特定を改善する可能性があることを示唆しています。今後、これらの結果を検証し、臨床統合の適用性を確立するための前向き多施設研究が必要です。