電子健康記録を用いた患者アウトカム予測における結果の混同の軽減
カテゴリ：医学教育
公開日：2026年1月29日
タイトル：Mitigation of outcome conflation in predicting patient outcomes using electronic health records.
雑誌名：J Am Med Inform Assoc. 2025 May 01; 32(5): 920-927. doi: 10.1093/jamia/ocaf033.
概 要：
本研究は、電子健康記録データを用いた疾患予測における人工知能（AI）モデルの特異性を評価し、単一のアウトカム予測モデルにおける混乱因子の影響を調査することを目的としています。特に、誤陽性による経済的および心理的負担を軽減するためには、特異性が重要です。単一のアウトカムモデルと複数の癌タイプを同時に予測するマルチクラスモデルの効果を比較しました。
方 法：
本研究では、230万人の患者からなる独立したコホートを用いて、疾患コードシーケンスから膵臓癌を予測する最先端モデルを評価しました。また、単一のアウトカムモデルの特異性に対する混乱因子の影響を調査するために、臨床シミュレーション実験を実施しました。
結 果：
膵臓癌予測モデルの独立した検証が行われましたが、その予測スコアは卵巣癌とも相関しており、混乱因子による結果の混同が示唆されました。臨床シミュレーション実験により、単一のアウトカム予測モデルの特異性が混乱因子によって損なわれることが確認されました。マルチクラスアーキテクチャを導入することで、単一のアウトカムモデルと比較して癌タイプの予測における特異性が向上し、パフォーマンスを維持しつつ結果の混同を軽減しました。
結 論：
AIによる疾患リスク予測モデルを使用する際には、予測されるアウトカムの数を慎重に考慮する必要があることが示されました。