高度な事前学習言語モデルを用いたED患者の処遇予測の最適化
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Optimizing ED patient disposition predictions through clinical narratives with advanced pre-trained language models.
雑誌名：Health Inf Sci Syst. 2026 Dec; 14(1): 34. doi: 10.1007/s13755-026-00431-4. Epub 2026 Jan 26.
概 要：
本研究は、救急科における入院を必要とする発熱患者の迅速な特定を目的とした後ろ向き研究です。25,405件の発熱患者のトリアージ情報を用いて、入院が必要な患者や72時間以内に再入院する患者を予測するモデルを開発しました。このモデルは、数値的なバイタルサインをナラティブテキストに変換し、GatorTronSアーキテクチャを通じて臨床ナラティブと統合する革新的な方法論を採用しています。従来の機械学習手法や他の生物医学言語モデルと比較して、優れた性能（AUROC: 0.9226、AUPRC: 0.8767、マクロF1スコア: 0.8446）を示しました。高齢者、男性、救急車での来院者に入院が多いという重要な人口統計パターンも明らかになりました。このモデルは、入院が必要な患者の早期特定を促進し、救急医療における課題を解決することを目指しています。
方 法：
本研究は、25,405人の発熱患者を対象にした後ろ向き研究です。トリアージ情報には、バイタルサインや自己報告症状が含まれています。モデルは、数値的なバイタルサインをナラティブテキストに変換し、GatorTronSアーキテクチャを用いて臨床ナラティブと統合しています。主要評価指標は、AUROC 0.9226、AUPRC 0.8767、マクロF1スコア 0.8446です。
結 果：
モデルは、入院が必要な患者や72時間以内に再入院する患者を高精度で予測し、AUROC 0.9226、AUPRC 0.8767、マクロF1スコア 0.8446を達成しました。分析により、高齢者、男性、救急車で来院した患者に入院が多いことが示されました。このモデルは、適切な入院の特定を促進し、救急科の効率を向上させる可能性があります。
結 論：
この研究は、救急科における入院患者の特定を支援する新しいアプローチを提供し、患者の転帰を改善し、リソースの最適化に寄与することが期待されます。