Late Fusion のマルチモーダル EHR モデルにおけるモダリティ・ドロップアウトで小児救急外来トリアージを改善する

要旨: 緊急外来のトリアージは、定量的なバイタルサインと、質的な臨床記録の双方に大きく依存している。しかし、トリアージの緊急度（acuity）を予測するマルチモーダル機械学習モデルは、構造化された表形式データに過度に依存することで、モダリティ・コラプス（modalilty collapse）に陥りがちである。この制約は、バイタルサインに発達段階による変動が生じるために、非構造化の臨床ナラティブ（記述）が特に不可欠になる小児患者において、人口統計（デモグラフィック）に対する一般化可能性を著しく損なう。そこで本研究では、表形式のバイタルをXGBoostで処理し、非構造化の臨床テキストをBio_ClinicalBERTで処理する、レイトフュージョン型のマルチモーダル・アーキテクチャを提案する。そして、Logistic Regressionのメタ分類器で統合し、5段階のEmergency Severity Indexを予測する。外的妥当性の問題を明確に狙い、我々のモデルはMIMIC-IVおよびNHAMCSの成人症例のみで学習し、従来見過ごされてきた小児コホートに対してゼロショットで一般化性能を評価する。さらに、学習中に対称的なモダリティ・ドロップアウトを用い、アンサンブルが成人特有の臨床相関に過度に適合しないようにする。我々の結果は、マルチモーダル枠組みが単一モダリティのベースラインを大幅に上回ることを示している。最も注目すべきは、対称的モダリティ・ドロップアウト率を30〜40%に適用した場合、未見の小児コホートで大きな性能向上が得られ、Quadratic Weighted Kappaを0.351まで引き上げた点である。これらの知見は、モダリティ・ドロップアウトが、モダリティ・コラプスを緩和し、臨床AIにおけるデモグラフィック間の一般化を高めるための重要な正則化（regularization）手法であることを示している。