多モーダル電子健康記録からの治療方釖（ポリシー）の注釈支援学習

Abstract

本研究では、表形式データと臨床テキストからなるマルチモーダルな電子健康記録（EHR）に基づいて、治療方針（treatment policies）を学習する方法を検討します。これらの方針は、医師がより良い治療決定を行い、医療資源をより効率的に配分するのに役立ちます。因果方針学習（causal policy learning）の手法は、最も大きな期待治療利益を受ける患者を優先します。しかし、既存の推定器は、マルチモーダルな状況では正当化しがたい因果的仮定のもとで、表形式の共変量（tabular covariates）向けに設計されています。現実的な代替案として、因果推定器をマルチモーダル表現に直接適用することが考えられますが、関連する交絡情報を表現が保持していない場合には、治療効果の推定が偏ってしまうことがあります。その結果、実務ではベースラインリスクの予測モデルが治療決定の指針として一般に用いられる一方で、それらは「どの患者が治療から最も利益を得るか」を特定するために設計されていません。本研究では、マルチモーダルEHRのための因果方針学習における注釈支援型の手法であるAACE（Annotation-Assisted Coarsened Effects）を提案します。本手法は、訓練中に専門家が提供する注釈を用いて交絡調整を支援し、その後推論時にはマルチモーダル表現のみから治療利益を予測します。提案手法は、合成データ、準合成データ、実世界のEHRデータセットにわたって強い実証的性能を達成し、リスクベースおよび表現ベースの因果的ベースラインを上回ることを示します。また、臨床実践において因果機械学習を適用するための実用的な洞察も提供します。