電子カルテとメモリネットワークで明らかにするAKIのサブフェノタイプ

（Identifying Sub-Phenotypes of Acute Kidney Injury using Structured and Unstructured Electronic Health Record Data with Memory Networks）

田中専務

拓海先生、最近部下から「電子カルテを活かして病気の細かいタイプを見つけられるAIがある」と聞きまして。経営として投資価値があるのか判断したいのですが、要点を分かりやすく教えてくださいませんか。

AIメンター拓海

素晴らしい着眼点ですね！今回の研究は、電子カルテの構造化データと非構造化データを合わせてAIで学習し、急性腎障害、つまりAcute Kidney Injury (AKI) 急性腎障害の細かなサブタイプを見つけた点が肝なんですよ。大丈夫、一緒に見ていけば必ず分かりますよ。

田中専務

構造化データと非構造化データ、ですか。うちの現場で言えば数値や検査結果が構造化データで、医師のメモや診療録が非構造化データという理解で合っていますか。

AIメンター拓海

その通りです。Structured data（構造化データ）とは表形式で扱える検査値や薬剤履歴のことで、Unstructured data（非構造化データ）とは自由記述のメモや診療ノートのことです。今回のモデルはMemory Network (MN) メモリネットワークを用いて、これらを時間軸で扱っている点が新しいんですよ。

田中専務

時間軸というのは、患者の経時的な変化をという意味ですね。これって要するに患者をグループ分けして、それぞれに合った対策を取れるということ？

AIメンター拓海

まさにその通りです。要点を三つで言うと、1）構造化と非構造化を同時に使う、2）時間の流れを考慮して重要な過去情報を保持する、3）その表現を基にクラスタリングして臨床的に意味のあるサブタイプを見つける、です。投資判断ではこの三点が大事ですよ。

田中専務

なるほど。導入で気になるのは現場負荷と費用対効果です。これ、うちのような病院規模でも現実的に運用できますか。運用上の障壁を教えてください。

AIメンター拓海

ご心配は当然です。現場負荷は主にデータ整備と運用フローの二つです。データ整備では非構造化文書の取り出しや正規化が必要で、運用ではモデルの予測をどう臨床判断に結び付けるかがハードルです。ただし、初めは小さな試験運用で効果を見てから段階的に拡大すれば投資効率は高められますよ。

田中専務

承知しました。最後に、実際の成果はどう示されているのですか。経営判断に使える分かりやすい数値はありますか。

AIメンター拓海

本研究では37,486件のICU滞在データを使い、モデルが学習した表現から三つの明確なサブフェノタイプを抽出しました。各サブフェノタイプは平均年齢や血清クレアチニンなど臨床指標で特徴づけられ、重症度や転帰が異なることが示されています。つまり、早期に介入方針を変えることで結果改善が見込めるという実務的意義がありますよ。

田中専務

分かりました。では自分の言葉で確認します。要するに、電子カルテの数値と医師メモを時間で追いかけるAIを使って、患者を三つのタイプに分けられる。それぞれに応じた介入で成果が期待できる、こう理解してよろしいですね。