Upgrade to Pro — share decks privately, control downloads, hide ads and more …

株式会社TXP Medical リサーチチーム勉強会 "Machine Learning in Emergency Medicine: Keys to Future Success"

株式会社TXP Medical リサーチチーム勉強会 "Machine Learning in Emergency Medicine: Keys to Future Success"

株式会社TXP Medicalのリサーチチームにおいて毎週月曜日夜20時半から行っている勉強会の一部資料です。
今回のテーマはMachine Learning in Emergency Medicine: Keys to Future Successということで、機械学習の簡単な説明からスタートし、機械学習を救急医療に適応するためのキーポイントについてまとめています。
資料はインターンの学生が作成いたしました。

紹介している論文はこちら↓になります。
https://pubmed.ncbi.nlm.nih.gov/33277733/

Junichiro Shibata

March 22, 2021
Tweet

Other Decks in Research

Transcript

  1. Machine Learning in Emergency Medicine :Keys to Future Success J

    U N I C H I R O S H I B A T A @ T X P M E D I C A L M A R C H 2 2 , 2 0 2 1 1
  2. Machine Learning https://www.soumu.go.jp/ict_skill/pdf/ict_skill_3_5.pdf 1. Machine Learningについての概説 4 A computer program

    is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. - Tom Michael Mitchell -
  3. 1. Supervised learning (教師あり学習) ü ラベル付けされた訓練データからモデルを学習し、 未知のデータから将来のデータを予測する. →臨床研究におけるMLの多くはこれ. ü 学習データが膨⼤でアノテーションが必要な場合、

    ⼤きなコストが発⽣する. Ex.1 性別やバイタル、主訴、既往歴から敗⾎症を 発症するかどうかを予測する. Ex.2 胸部CTから結核かどうかを分類する 1. Machine Learningについての概説 5
  4. 2. Unsupervised learning (教師なし学習) ü ラベル付けされていないデータやデータの構造が不 明なものからを特徴を抽出・分類する. Ex. ある疾患群を発症している患者集団の特徴をクラ スタリングする.

    Cf. 半教師あり学習 少量のラベル付けデータと⼤量のラベルなしデータを ⽤いる. ラベル付けデータが少ない場合の異常検知など. 6 1. Machine Learningについての概説
  5. Cf. Neural NetworkとDeep Learning ü Neural Network -シナプスの結合によりネットワークを形成した ⼈⼯ニューロン(ノード)が、学習によってシナ プスの結合強度を変化させ、問題解決能⼒を持つ

    ようなモデル. ü Deep Learning -対象の全体像から細部までの各々の粒度の概念 を階層構造として関連させて学習する⼿法. 多層ニューラルネットワークの応⽤が有名. マルチモーダル学習ができる. 8 1. Machine Learningについての概説
  6. Background ü Karremiらの研究(2021)により、救急医療の分野においてもMachine Learning (ML)の予測性能はClinical decision rules (CDRs)や臨床医 の診断を上回るとの報告がある. ü

    MLを⽤いた臨床研究、Clinical Decision Support (CDS) システムの 開発をする上の課題は2つの側⾯から検討すべき. 1. Intrinsic Performance: MLモデルの構成要素と性能 2. Extrinsic Performance: MLモデルの適応 Cf. ⽶国の救急外来における電⼦カルテシステムと臨床診断意思決定⽀援システム 10 2. 論⽂の背景
  7. Feature Discovery ü MLを使⽤するメリット 1. ⾮線形回帰が可能 -Traditional Statisticsとの⼤きな違い -パラメータの増加に対応 (Overfittingがたびたび問題にあがる)

    2. Representation learning -既存のモデルを⽤いて次元削減や正則化などが可能 14 3. 論⽂の要旨 –Intrinsic Performance
  8. Model Assessment ü MLの⼿法は複雑 -データの前処理、探索的データ分析、特徴量選択、トレーニング、モデル選択、妥当性 の検証、テスト、ハイパーパラメーターの検討... ü モデルの性能指標 - AUROC,

    AUPRC, 正解率, 感度/特異度, 陽性/陰性的中率 ...統⼀化されたガイドラインが欲しい!! -TRIPOD, CONSORT-AI, SPIRIT-AI, MI-CLAIM checklist… 15 3. 論⽂の要旨 –Intrinsic Performance
  9. TRIPOD Transparent Reporting of a multivariable prediction model for Individual

    Prognosis Or Diagnosis ü 2015年にThe EQUATOR networkにより 提唱された臨床予測モデルの開発研究に関す るガイドライン ü 2016年に開始されたTRIPOD⽇本語版プロ ジェクトにより現在⽇本語でアクセスが可能 ü 研究デザインからデータの扱い、解析⼿法や 結果の解釈の⽅法を提⽰ 16 3. 論⽂の要旨 –Intrinsic Performance
  10. Algorithmic Bias ü モデルを構築する際のバイアス Ex. データ数が少ない、患者が特定の⼈種に偏ったデータを⽤いたモデル学習など ü 簡易的なモデルでは表現ができないバイアス -Emergent property(創発特性)の発⽣

    ü バイアスとコストはトレードオフ -データ集め (多施設研究)、最適なモデルの検討、モデルの性能指標の検討 17 3. 論⽂の要旨 –Intrinsic Performance
  11. Implementation ü Dissemination and implementation (D&I) sciences - 実装科学(=学際的なアプローチにより、ステークホルダーと協働しながら、エビデン スに基づく介⼊(evidence-based

    intervention、EBI)を、効果的、効率的に⽇常 の医療に組み込み、定着させる⽅法を開発、検証し、知識体系を構築する学問領域)の ⽅法論に基づいて⾏われる研究. ü MLを臨床応⽤するためには様々な障壁が存在する. -サーバーの構築費⽤、既存のEHRとの併⽤、⼈員リソース、現場の医師の理解 →保守的な医療現場を変えることの困難さは先⽣⽅が痛感しているはず… 20 3. 論⽂の要旨 –Extrinsic Performance
  12. Evaluation ü 現時点の多くのMLの臨床研究は後ろ向き研究 -前向き研究よりもエビデンスレベルが低い. ü MLを⽤いたリアルタイムのCDSの開発が望まれる Ex. Yao X, et

    al.(2020) . Am Heart J 2020;219:31–6. “ECG AI-guided screening for low ejection fraction (EAGLE): rationale and design of a pragmatic cluster randomized trial.” -12誘導⼼電図モニターからlow EF患者を検出するアルゴリズムをEHRに組み込んだ、⼤規模 前向きランダム化⽐較試験の計画. 21 3. 論⽂の要旨 –Extrinsic Performance
  13. Open Science ü モデルの学習に使⽤した⽣データ、コードを公開しようとする動き -再現性の確保 ü 実際の救急医療に関するMLの論⽂ではほとんど実現されていない. Ex. Taylor RA,

    et al. (2020) Ann Emerg Med.76(2):247-248. "Open Science in Emergency Medicine Research”. -レビュー対象となった2018年以降の643本の論⽂うち、データセットが取得可能なもの は54本(8.4%)のみであり、コードを公開している論⽂は1本もなかった. 22 3. 論⽂の要旨 –Extrinsic Performance
  14. Reference Papers ・Taylor RA, Haimovich AD. Machine Learning in Emergency

    Medicine: Keys to Future Success. Acad Emerg Med. 2021;28(2):263- 267. doi:10.1111/acem.14189 ・Kareemi H, Vaillancourt C, Rosenberg H, Fournier K, Yadav K. Machine Learning Versus Usual Care for Diagnostic and Prognostic Prediction in the Emergency Department: A Systematic Review. Acad Emerg Med. 2021;28(2):184-196. doi:10.1111/acem.14190 ・Taylor RA, Haimovich AD, Horng S, et al. Open Science in Emergency Medicine Research. Ann Emerg Med. 2020;76(2):247-248. doi:10.1016/j.annemergmed.2020.04.010 ・Yao X, McCoy RG, Friedman PA, et al. ECG AI-Guided Screening for Low Ejection Fraction (EAGLE): Rationale and design of a pragmatic cluster randomized trial. Am Heart J. 2020;219:31-36. doi:10.1016/j.ahj.2019.10.007 Book ・[第3版]Python機械学習プログラミング 達⼈データサイエンティストによる理論と実践 impress top gearシリーズ Others ・⽶国の救急外来における電⼦カルテシステムと臨床診断意思決定⽀援システム ・強化学習(TD法)で薬物依存をモデル化してみた ・ROC曲線とPR曲線の違いについての考察 ・TRIPOD ・総務省 ICTスキル総合習得教材 23