リソース制限のある救急部門における痛みの識別最適化
カテゴリ：災害・救急医療
公開日：2026年7月2日
タイトル：Optimising pain identification in resource-limited emergency departments using transfer learning and fine-tuned language models.
雑誌名：J Am Med Inform Assoc. 2026 Jul 01; 33(7): 1370-1380. doi: 10.1093/jamia/ocag054.
概 要：
本研究は、リソースが限られた救急部門において痛みを訴える患者の識別を最適化することを目的としています。複数の転移学習技術を用いて、効果的な痛みの識別を実現するための方法を探求しました。具体的には、十分なリソースを持つ救急部門からのデータで事前に調整された言語モデルを、ターゲットとなる救急部門のラベル付きデータでファインチューニングする手法と、タスク特有のラベルなしデータを用いた継続的な事前学習の2つの戦略を検討しました。
方 法：
本研究では、リソース制限のある救急部門からの2000件のラベル付きサンプルを使用し、ファインチューニングと継続的な事前学習を組み合わせたアプローチを採用しました。これにより、臨床テキスト分類の精度を向上させることを目指しました。
結 果：
2000件のラベル付きサンプルを用いた結果、組み合わせた戦略によりF1スコア92%を達成しました。この結果は、リソース制限のある環境における転移学習の有意な利点を示しています。
結 論：
ラベル付きデータでのファインチューニングとラベルなしデータでの継続的な事前学習を組み合わせることで、リソース制限のある環境でもモデルのパフォーマンスを最適化できる可能性が示されました。これにより、臨床テキスト分類の改善に向けた技術の広範な適用可能性が強調されます。