長期的EHR予測におけるグラフ・トランスフォーマーの臨床応用ギャップ：GT-BEHRTの批判的評価

概要: トランスフォーマーベースのモデルは、大規模な自己教師あり事前学習を通じて、長期にわたる電子カルテ（EHR）の予測モデリングを改善しました。しかし、ほとんどのEHRトランスフォーマーアーキテクチャは各診療機会をコードの無序列な集合として扱い、それにより診療内の意味ある関係を捉える能力が制限されます。グラフ・トランスフォーマーのアプローチは、訪問レベルの構造をモデル化しつつ、長期的な時系列パターンを学習する能力を維持することでこの制限を解決しようとします。本論文は、MIMIC-IV の集中治療アウトカムおよび All of Us Research Program における心不全予測で評価された GT-BEHRT（グラフ・トランスフォーマーアーキテクチャ）についての批判的レビューを提供します。報告された性能向上が真のアーキテクチャ的利益を反映しているか、評価方法論が頑健性と臨床的関連性の主張を支持するかを検討します。我々は現代の機械学習システムに関連する7つの次元にわたり GT-BEHRT を分析します。これらには、表現設計、事前学習戦略、コホート構築の透明性、識別力を超える評価、フェアネス評価、再現性、デプロイ可能性が含まれます。GT-BEHRT は、365日以内の心不全予測に対して強い識別能力を示しており、AUROC 94.37 +/- 0.20、AUPRC 73.96 +/- 0.83、F1 64.70 +/- 0.85 を報告します。これらの結果にもかかわらず、キャリブレーション分析の欠如、フェアネス評価の不完全性、コホート選択への感度、表現型と予測期間の幅にわたる分析の制限、実用的なデプロイメント上の考慮事項に関する議論の限界など、いくつかの重要なギャップを特定します。総じて、GT-BEHRT は EHR 表現学習における意味のあるアーキテクチャ的進歩を示していますが、キャリブレーション、フェアネス、デプロイメントに焦点を当てたより厳密な評価が、こうしたモデルが臨床意思決定を信頼できる形で支える前提として必要です。