Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning

Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning

1. 本研究の学術的背景と問いは、COVID-19（新型コロナウィルス感染症）の全世界的な大流行がもたらす深刻な問題にあります。患者が発症後、一度退院してから短期間で再度救急室（ER）を訪れるケースが多く、医療スタッフの負担増加を引き起こしています。重篤な状態の患者を優先的に治療するために、早期にこれらの患者を特定することが極めて重要です。

2. 本研究の目的は、電子健康記録（EHR）から臨床概念を抽出し、COVID-19患者のER再訪問を7日間で予測するモデルを開発することです。また学術的な独自性と創造性は、ドメイン敵対的ニューラルネットワーク（DANN）という深層学習の手法を使い、13あるERの中のデータの分布の違い（異質性）を効果的に対処してモデル開発を行ったところにあります。

3. 本研究の着想は、このパンデミックによる医療スタッフの負担増加や、予防的な対応が求められる課題から生まれたと考えられます。そして、既存の研究より効果的に患者のER再訪問を予測するためのアプローチの開発を試みています。

4. 本研究では、ScispaCyという自然言語処理技術を用いて、EHRから臨床概念を抽出し、それらを用いてCOVID-19患者のER再訪問を7日間で予測するモデルを開発しました。さらに、異質なデータ源から生じる問題を解決するため、DANNという深層学習の手法を用い、複数のモデリング戦略を評価した結果について報告しています。

5. 本研究の有効性は、複数のモデリング戦略の比較から評価されました。その結果、Multi-DANNモデルがSingle-DANNモデルやベースラインモデルを上回る性能を示し、ER再訪問予測の精度が高く、異質なデータ間での適応力が高いことが示されました。