The Practice and Evaluation of LHS using Clinical Pathways and Electronic Medical Records

リアルワールドデータのデータ源である電子カルテには、診療の重要情報が時間軸を追って記録されるものの、二次利活用時には診療目的・診療行為・患者状態の推移などの診療イベント間の関連や診療プロセスの把握は困難である。信頼のある解析結果を得るためには診療プロセスデータを効率よく収集し解析する必要があるが、それにはデータの構造化と標準化が必要である。本研究では、患者状態を含むデータとして診療テキストと、標準医療データのクリニカルパスとDPCファイルを対象として解析し、患者状態としてのデータ構造化と標準化を行い、臨床課題に対する診療プロセス解析を実施する。さらに、その解析結果をクリニカルパスを用いて医療現場へ還元し、その効果を確認する医療の継続的な改善サイクルのLearning Health Systemの実践を目的としている。2022年度は、診療データを解析するための環境構築を中心に実施した。電子カルテシステム内に蓄積した診療テキストとクリニカルパス、DPCファイルのデータを出力し、データ構造やデータ属性について確認した。特にクリニカルパスは先行研究（2018ー2020年度のAMED事業）で構築した基盤にはクリニカルパスとDPCが格納されているため、連携を確認した。診療テキストの解析基盤として自然言語処理タスクで高い精度を示しているBERT(Bidirectional Encoder Representations from Transformers)の環境構築について整備を行なっている。2023年度に予定している機械学習を用いた解析に向けて、解析環境を構築し解析手法を開発し、可能な範囲のデータでプレ解析を実施した。

リアルワールドデータのデータ源である電子カルテには、診療の重要情報が時間軸を追って記録されるものの、二次利活用時には診療目的・診療行為・患者状態の推移などの診療イベント間の関連や診療プロセスの把握は困難である。信頼のある解析結果を得るためには診療プロセスデータを効率よく収集し解析する必要があるが、それにはデータの構造化と標準化が必要である。本研究では、患者状態を含むデータとして診療テキストと、標準医療データのクリニカルパスとDPCファイルを対象として解析し、患者状態としてのデータ構造化と標準化を行い、臨床課題に対する診療プロセス解析を実施する。さらに、その解析結果をクリニカルパスを用いて医療現場へ還元し、その効果を確認する医療の継続的な改善サイクルのLearning Health Systemの実践を目的としている。2022年度は、診療データを解析するための環境構築を中心に実施した。電子カルテシステム内に蓄積した診療テキストとクリニカルパス、DPCファイルのデータを出力し、データ構造やデータ属性について確認した。特にクリニカルパスは先行研究（2018ー2020年度のAMED事業）で構築した基盤にはクリニカルパスとDPCが格納されているため、連携を確認した。診療テキストの解析基盤として自然言語処理タスクで高い精度を示しているBERT(Bidirectional Encoder Representations from Transformers)の環境構築について整備を行なっている。2023年度に予定している機械学習を用いた解析に向けて、解析環境を構築し解析手法を開発し、可能な範囲のデータでプレ解析を実施した。