ChatGPT Efficient Determination of Social Determinants of Health From Clinical Notes for Timely Identification of Suicidality Among US Veterans 米国退役軍人における自殺傾向の適時識別のための診療録からの健康の社会的決定要因の効率的な判定法

Efficient Determination of Social Determinants of Health From Clinical Notes for Timely Identification of Suicidality Among US Veterans

https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2802475?resultClick=1

Social Determinants of Health and Identification of Suicidality Among US Veterans

Mitraらによる論文1では、米軍退役軍人の自殺の危険因子を決定するという文脈で、健康の社会的決定要因（SDOHs）を測定するための新しいアプローチが示されています。著者らは、自然言語処理（NLP）アルゴリズムにより、過去の診療の電子カルテ（EHR）に含まれる臨床ノートから自動的に抽出されたSDOHは、自殺による死亡との関連性を効率的に捉えることができ、構造化されたEHRデータから得られるSDOHを測定的に強化できることを発見しました。重要なことは、NLPで抽出されたSDOHsは、構造化データから得られたSDOHsと比較して、より高い関連性を持つという結果であり、関連変数に関する構造化データが欠損または不完全な場合でも、リスクのある個人を効率的に特定できる可能性を示唆しています。

自殺のリスクを評価し、タイムリーな介入を目指す

American Journal of Public Health誌の2012年の論説で議論されたように2、退役軍人は兵役後最初の4年間、一般集団に比べて自殺のリスクが著しく高い（最大で4倍）。退役軍人のうつ病と自殺のリスクを普遍的にスクリーニングし、適切な治療を紹介する信頼性の高いツールがあれば、多くの命が救われるでしょう。
2016年、The Joint Commission3は、自殺で死亡した人のかなりの数が、メンタルヘルスケアを受けていなかったが、最近医療上のやり取りがあり、直接尋ねられたら自殺念慮（SI）を開示した可能性があると強調しました。このような新たなエビデンスの直接的な結果として、退役軍人保健局（VHA）精神衛生・自殺予防室は、退役軍人の自殺リスクを検出するためのエビデンスに基づいたアプローチを特定するために、専門家からなる学際的ワークグループを設立した4。これらの努力は、最近の自殺の減少5 に貢献しているかもしれない。2020年には、2019年より343人少なく、2006年から前年よりも低い退役軍人自殺者数であった。しかし、人口の年齢と性別の違いを調整すると、退役軍人の現在の自殺率は、非退役軍人の米国成人よりも依然として57.3%高い。米国退役軍人の2020年の自殺の非調整率は、10万人あたり31.7人5で、一般人口（10万人あたり13.5）の約2倍である。Mitraら1名の研究により、このギャップを埋めるための費用対効果の高い新たな介入策が可能になります。

機械学習によるEHRからの自殺率の推定

過去の診断や診療の詳細な記録を持つ大規模なEHRデータベースと、最先端の機械学習（ML）アルゴリズムが可能にする高度なパターン認識の組み合わせは、疾病リスクや個別化された予防医療についての考え方を大きく変える可能性がある。自殺リスクの評価も同様です。いくつかの研究6では、退役軍人における精神障害とSIおよび自殺企図（SA）との関連性が強調されており、個人の診療履歴に記録されている診断コードパターンは、SIおよびSAリスクを高める併存疾患を持つ患者に正確にフラッグを立てる可能性がある。もし、予測的な関連性が確立できれば、SI/SAリスクの評価を目的とした標準化された質問票を中心とした現在のアプローチと比較して、効果的な介入を行う確率を運用上向上させることができるであろうことは間違いない。
つまり、SI/SAリスクの判定に必要な、関連する精神障害の診断が記録されていない可能性がある。仮に、診断コードに基づくリスク評価を普遍的に導入したとしても、その影響は微々たるものである可能性がある。さらに、たとえ比較的短時間の質問紙ベースの評価であっても、新しい手順は、一般的に仕事量が多いため、臨床医によって無視されることが多い。このように、予測モデルは文献上では以前から存在するものの、これらのツールの普遍的な展開や取り込みは行われていないのが現状である。単に予測モデルを確立するだけでは不十分で、既存の医療システムでうまく導入するためには、臨床医の生産性への影響やワークフローの逸脱を最小限に抑えることを考慮する必要があります。

そこで、EHRコードや臨床記録から自動的に抽出されたSDOHsからリスクを評価するMitraら1人のアプローチが役に立つ。このようなツールは、既存の患者データからリスクフラグを推測し、患者との対面が始まる前でも臨床医に通知することができると考えられます。

このように、SI/SAリスクを評価するためにSDOHsを使用することは、著者らによって議論されたように、確かに以前から検討されてきたが1、ここでの新規性は、この情報のソースにある。SDOHデータは、様々なプライバシー上の理由から一般に公開されておらず、また、手作業でそのような情報を収集することはコストがかかります。Mitraら1人は、標準的なEHRに含まれる臨床記録から、NLPによってそのような情報を生成することを提案している。このように、著者らのアプローチは、退役軍人やおそらく一般集団における自殺リスクの効率的な普遍的評価を制定する上で重要なハードルに対処するための基盤を提供することができます。

しかし、たとえ確率が高くても、このような技術がごく近い将来に測定可能な影響を与えることができるかどうかは疑問である。この研究は概念実証と見るべきで、ここで述べたアイデアを取り入れ、既存のEHRシステムとシームレスに統合できる展開可能なアプリケーションを開発するまでに、いくつかのハードルが残っている。医療におけるデジタル技術の導入に対する障壁は理解され始めており7 、検証された性能とシームレスな統合が最終的な採用の鍵になる。

今後の改善点

行政データには問題がある。EHRデータは、特に社会的弱者において、一般的にエラーが発生しやすい。クリニカルノートにも同様の不確実性があるかもしれない。フラグを立てることが目的であれば、単に偽陽性率が高いというデメリットをアレンジできるかもしれないが。そのような偽のフラグをどのように扱うかによって、我々はそれに耐えることができるかもしれない。EHRノイズの影響については、臨床の場で調査する必要があります。

キーワードベースのNLPシステムには限界がある。MLと人工知能（AI）の急速な進歩がそれを変えつつあるが、人間が生成したテキストからどれだけ意味を抽出できるかという点では、言語モデルには限界がある。著者らは、キーワードベースのNLPシステムを使用し、それが合理的に機能することを示しています。しかし、より洗練されたAI/MLシステムであれば、もっとうまくいくかもしれない。現在、このような最先端のモデルをデータに展開することは非常に簡単であり、根本的に改善された結果をもたらすかもしれない。

同じように、ここでは、SDOHの推定因子は、NLPシステムを訓練するために必要なキーワードと同様に、手動で選択されています。言語モデルが、Generative Pre-trained Transformer (ChatGPT) 8のような最新のMLモデルと同様の技術を用いて、テキストから直接学習することは十分に考えられ、将来的に検討する必要がある。重要なのは、手動で推定因子を選択したため、重要な因子が除外された可能性があることだ。例えば、宗教性は、米国の若者の間で自明ではない保護効果があることが示されている9。

自己申告したSDOHの値を検証できるか？提案されたアプローチで抽出できるSDOHは、基本的に自己申告によるものです。個人のプライバシーを損なわず、より検証可能な枠組みを考えることができるかもしれません。さらに、これらの結果を従来のSDOHの推定値や最近報告されたSocial Vulnerability Metricと比較することは有益かもしれません10。

結論

自殺は、特に退役軍人にとって、緊急の公衆衛生上の問題である。助けを必要とする個人を特定するための現在のアプローチは不十分である。Mitraら1が提案したアプローチのように、既存の情報とリソースを活用して救命介入を可能にする新しい技術は大いに歓迎され、普遍的なスクリーニング配備の実現に向けて検討されるべきです。