MEDICINE & AI

タイトル：Geriatric syndromes extraction from discharge summaries: a new dataset, annotation scheme and initial findings. 雑誌名：Front Digit Health. 2026; 8: 1591050. doi: 10.3389/fdgth.2026.1591050. 概　要： 本研究は、高齢者に影響を与える複雑な臨床状態である高齢者症候群（GS）を退院サマリーから抽出するための手動注釈コーパスを紹介します。GSは多くの臓器系に関与し、生活の質やケアに大きな影響を与えますが、構造化された電子健康記録には十分に表現されていません。自然言語処理（NLP）を用いることで、非構造化臨床テキストからGS関連情報を抽出する機会が得られますが、高品質な注釈データセットの不足がNLPモデルの効果を制限しています。本研究では、GSの検出を目的とした手動注釈コーパスを開発しました。 方　法： 本研究では、退院サマリーから12種類の一般的なGSをラベル付けするための詳細な注釈スキームを開発しました。コーパスは、スコットランドのNHSロシアン病院から収集した2,040件の手動注釈退院サマリーで構成されています。NLPの効果を評価するために、BERTやBioBERTなどの複数の事前学習済みトランスフォーマーモデルを用いて、名前付きエンティティ認識（NER）と文書レベルのラベリングの2つのタスクを実施しました。文脈情報を考慮した新たなタスクも設定しました。 結　果： 文書レベルのラベリングタスクでは、BERT-casedが最高のF1スコア（0.897）を達成し、BioClinicalBERTは否定を考慮した場合に最良の結果を示しました（F1スコア：0.888）。NERタスクでは、BioClinicalBERTとBERT-casedがF1スコア0.883を達成しました。特に、虚弱（F1 ≥ 1.0）、転倒（F1 ≥ 0.973）、せん妄（F1 ≥ 0.946）が最も良い結果を示しました。文脈を考慮したNER-Cタスクでは、BERT-casedが最高のF1スコア0.692を達成しました。 結　論： 本研究は、非構造化臨床テキストから高齢者症候群を抽出するためのNLPの有効性を示し、詳細なガイドラインを持つ手動注釈コーパスを導入しました。モデルのパフォーマンスはデータセットの特性に強く影響されることが明らかになり、今後の高齢者症候群の抽出においては、データ分布や注釈の複雑さ、メンションの構造が重要な考慮事項であることが示されました。