医療記録テキストに基づく手術の緊急度レベルの自動分類のための教師なしニューラルネットワーク

要旨: 手術手技を緊急度で効率的に分類することは、医療システムにおいて患者ケアと資源配分を最適化するうえで極めて重要である。本研究では、手術の転記（トランスクリプト）を自動的に3つの緊急度（immediate、urgent、elective）へ分類するための教師なしニューラルネットワーク手法を提案する。ドメイン特化型の言語モデルであるBioClinicalBERTを活用し、手術トランスクリプトを高次元の埋め込み表現（embedding）へ変換することで、その意味的なニュアンスを捉える。これらの埋め込み表現は、その後K-meansおよびDeep Embedding Clustering（DEC）アルゴリズムの両方を用いてクラスタリングされるが、DECは結束性が高く、適切に分離されたクラスタの形成において優れた性能を示す。臨床的な妥当性と正確性を確保するため、クラスタリング結果は、専門家によるレビューと改善を含むModified Delphi Method（修正版デルファイ法）によって検証される。検証後、Bidirectional Long Short-Term Memory（BiLSTM）層とBioClinicalBERTの埋め込み表現を統合したニューラルネットワークを、分類タスク用として開発する。本モデルは、交差検証と、精度（accuracy）、適合率（precision）、再現率（recall）、F1スコア（F1-score）といった指標を用いて厳密に評価され、堅牢な性能を達成し、未見データに対して強い汎化能力を示す。この教師なしフレームワークは、ラベル付きデータが限られているという課題に対処するだけでなく、リアルタイムの手術優先度付けに向けた、拡張可能で信頼性の高い解決策を提供し、動的な医療環境における業務効率と患者アウトカムの向上につながる。