手術後の予定外入院再入院を予測するための時系列データ要件

要旨: 電子健康記録（EHR）の普及に伴い、予測モデルを構築する上での重要な課題は、精度を最大化するための最適な過去データの時間窓（タイムウィンドウ）をどのように決定するかである。本研究では、手術当日から3年前までのさまざまな観察窓が、股関節および膝関節の人工関節置換術に続く30日以内の再入院予測に与える影響を調べる。データセットは、構造化された診療記録（400万件超）と、構造化されていない臨床ノート（80,000件）を、7,174人の患者から含む。臨床ノートから意味を抽出するために、非ニューラルのエンコーダ（BOW、count BOW、TF IDF、LDA）およびニューラルのエンコーダ（BERT、1D CNN、BiLSTM、Average）を一式使用した。さらに、臨床ノートのみ、構造化データのみ、そして両モダリティを組み合わせた場合の3通りでモデルを評価した。結果として、構造化されていない臨床ノートにおける最適な時間窓は、構造化データに比べて有意に短いことが示された。最大の予測性能は、手術の直前3〜6か月のノートを用いた場合に達成された。対照的に、構造化データを用いた場合は時間窓の長さに応じて性能が向上するが、12か月経過後は厳密にプラトー（頭打ち）した。これらのモダリティ固有の時間的パターンは、モデルの複雑さやエンコーダの種類にかかわらず一貫していた。最終的に、本知見は、「より多くの過去データが常に機械学習の予測をより良くする」という一般的な仮定に挑戦し、再入院予測モデルを最適化するための、対象を絞った時間窓の指針を確立する。