医師は医療記録から情報を探すのに多くの時間を費やし、その分、患者と過ごす時間が減っています。
研究者たちは、患者の健康記録から医師が効率よく情報を見つけられるよう、機械学習モデルの開発を進めています。
しかし、効果的なモデルの訓練には、関連性の高い医療上の質問を集めた大規模なデータセットが必要です。プライバシー上の制約から、そうしたデータセットを入手するのは難しいことが少なくありません。
医師は治療方針の決定に役立つ情報を患者の電子健康記録から調べることがよくありますが、記録の扱いにくさがその作業を妨げています。電子健康記録（EHR）の使い方を習得した医師であっても、たった1つの質問への答えを見つけるのに平均8分以上かかることが、研究で明らかになっています。
使い勝手が悪いことも多いEHRの画面操作に医師が費やす時間が長くなるほど、患者と接し、治療を行う時間は短くなります。
研究者たちは、EHRから医師が必要とする情報を自動で見つけ、作業を効率化する機械学習モデルの開発に着手しています。しかし、効果的なモデルの訓練には、関連性の高い医療上の質問を集めた大規模なデータセットが必要です。プライバシー上の制約から、そうしたデータセットを入手するのは難しいことが少なくありません。既存のモデルは、人間の医師が尋ねるような自然な質問を生成するのが苦手で、正しい答えを見つけられないこともよくあります。
このデータ不足を解消するため、MITの研究者たちは医療専門家と協力し、医師がEHRを確認する際にどのような質問をするかを調査しました。そして、一般公開されているデータセットを構築しました。医療専門家が作成した、臨床的に関連性の高い質問が2,000件以上収録されています。
このデータセットを使って臨床上の質問を生成する機械学習モデルを訓練したところ、医療専門家が実際に尋ねた質問と比べても、モデルが質の高い自然な質問をした割合は60％を超えました。
研究者たちはこのデータセットを使って自然な医療上の質問を大量に生成し、それらの質問で機械学習モデルを訓練する計画です。これにより、医師が患者の記録から必要な情報をより効率的に見つけられるようにすることを目指しています。
「2,000件の質問は多いように聞こえるかもしれません。しかし、現在訓練されている機械学習モデルを見ると、数十億件ものデータを使っていることがあります。医療現場で機械学習モデルを機能させるには、データが非常に不足しているため、工夫を凝らさなければなりません」と、筆頭著者でコンピューター科学・人工知能研究所（CSAIL）の大学院生、エリック・リーマン氏は述べています。
上席著者は、電気工学・コンピューター科学部門（EECS）の教授で、CSAILの臨床意思決定グループを率い、MIT-IBM Watson AI Labにも所属するピーター・ソロビッツ氏です。MIT、MIT-IBM Watson AI Lab、IBM Researchの共著者に加え、質問の作成に協力し研究に参加した医師や医療専門家との共同研究による論文は、計算言語学会北米支部の年次会議で発表される予定です。
「課題に即したモデルを訓練するには、現実的なデータが不可欠ですが、そのようなデータを見つけたり作成したりするのは困難です」とソロビッツ氏は述べています。「この研究の価値は、臨床医が患者の症例について尋ねた質問を注意深く収集した点にあります。これらのデータと汎用言語モデルを使い、さらに妥当な質問を作る手法を開発できます。」
データ不足
研究者たちが見つけられた臨床上の質問を含む大規模データセットは数が少なく、さまざまな問題があったとリーマン氏は説明します。患者がウェブフォーラムで尋ねた医療上の質問で構成されたものもあり、医師の質問とは大きく異なっていました。別のデータセットにはテンプレートから作られた質問が含まれており、構造がほぼ同じため、現実味に欠ける質問が多くなっていました。
「質の高いデータを集めることは、機械学習の課題に取り組むうえで非常に重要です。特に医療分野では欠かせません。そして、それが可能だと私たちは示しました」とリーマン氏は述べています。
データセットの構築にあたり、MITの研究者たちは臨床に従事する医師や、研修最終年の医学生と協力しました。医療専門家に100件を超えるEHRの退院時要約を渡し、各要約を読んで疑問に思ったことを質問するよう依頼しました。自然な質問を集めるため、質問の種類や構造に制限は設けませんでした。また、それぞれの質問をするきっかけとなったEHR内の「トリガーテキスト」を特定するよう求めました。
例えば、医療専門家がEHR内で、患者の既往歴として前立腺がんと甲状腺機能低下症が重要であると記されたメモを読むとします。「前立腺がん」というトリガーテキストをきっかけに、「診断日はいつか」「何らかの介入が行われたか」といった質問をすることがあります。
質問の大半は、症状、治療、患者の検査結果に関するものだと分かりました。この結果は予想外ではありませんでしたが、幅広い各テーマについて質問数を定量化することで、実際の臨床現場で使える効果的なデータセットの構築に役立つとリーマン氏は述べています。
質問とそれに対応するトリガーテキストのデータセットをまとめた後、研究者たちはそれを使い、トリガーテキストに基づいて新しい質問を作るよう機械学習モデルを訓練しました。
次に医療専門家は、4つの指標に基づいて質問が「良い」ものかどうかを評価しました。理解しやすさ（人間の医師にとって意味の通る質問か）、自明性（トリガーテキストだけから簡単に答えられすぎないか）、医学的関連性（文脈に照らして尋ねる意味があるか）、トリガーとの関連性（トリガーが質問に関係しているか）です。
懸念される結果
研究者たちは、モデルにトリガーテキストを与えた場合、良い質問を生成できた割合は63％だったのに対し、人間の医師が良い質問をする割合は80％だったことを明らかにしました。
また、プロジェクト開始時に見つけた一般公開のデータセットを使い、臨床上の質問に対する答えを検索するモデルも訓練しました。その後、訓練済みのモデルが、医療専門家による「良い」質問への答えを見つけられるかを検証しました。
モデルが見つけられたのは、医師が作成した質問への答えの約25％にとどまりました。
「この結果は非常に懸念されます。高性能だと思われていたモデルが、実際にはひどい結果だったのです。評価に使われた質問そのものが、そもそも良質ではなかったからです」とリーマン氏は述べています。
研究チームは現在、当初の目標である、EHR内で医師の質問に自動で答えるモデルの構築に向けて研究を進めています。次の段階では、このデータセットを使って機械学習モデルを訓練し、数千から数百万件の質の高い臨床上の質問を自動生成します。それらを使って、質問に自動で回答する新たなモデルを訓練する予定です。
そのモデルが実現するまでにはまだ多くの作業が必要ですが、リーマン氏は、このデータセットでチームが示した初期成果を心強く感じています。
本研究は、MIT-IBM Watson AI Labから一部支援を受けました。その他の共著者は、MIT医療工学・科学研究所のレオ・アンソニー・セリ氏、MIT-IBM Watson AI Labのプリーティ・ラガヴァン氏とジェニファー・J・リャン氏、バッファロー大学のダナ・ムーカイバー氏、マサチューセッツ大学ローウェル校のウラディスラフ・リアリン氏とアンナ・ルムシスキー氏、フィリピン大学のケイトリン・レガスピ氏、ニコール・ローズ・I・アルベルト氏、リチャード・レイムンド・R・ラガサ氏、コリーナ・ビクトリア・M・プヤット氏、イザベル・ローズ・I・アルベルト氏、ピア・ガブリエル・I・アルフォンソ氏、イースト・ラモン・マグサイサイ記念医療センターのアン・ジャネル・R・シー氏とパトリシア・テレーズ・S・パイル氏、アテネオ・デ・マニラ大学医学・公衆衛生学部のマリアンヌ・タリーニョ氏、ノースイースタン大学のバイロン・C・ウォレス氏です。
