医療現場でのAIモデルの有効性を向上させる学習戦略 データの特性の違いにより、医療機関で使用されるAIモデルが予測通りに機能せず、患者への危害を及ぼす可能性があります。约ク大学のElham Dolatabadi准教授らが率いる研究チームは、JAMA Network Openに今日発表した新しい研究で、プロアクティブかつ継続的なAI学習戦略がデータシフトとそれによる危害を軽減するために重要であると指摘しています。 この研究では、トロント大都市圏の7つの大病院における入院患者の死亡リスクを予測し、患者のトリアージを支援する早期警報システムを作成・評価しました。研究には、GEMINIというカナダ最大の病院データ共有ネットワークが用いられ、診断データ、患者背景、性別、年齢、病院の類型、患者の移送元（急性期病院や施設など）、および入院時間などの143,049件の患者データを含んでいます。 研究結果によれば、モデル訓練時と実際の運用時に患者背景や病院の種類、入院源、重要検査値に显著なデータシフトが見られました。また、コミュニティ病院の患者データで訓練されたモデルを学術病院に転送すると、その逆はそうではないにもかかわらず、危害を及ぼすデータシフトが生じることが分かりました。 研究者は、転移学習と継続学習戦略を用いてこれらの危害を軽減することに成功しました。転移学習は、ある領域で学習した知識を異なる RELATED 但し類似した領域に適用する方法であり、継続学習はデータドリフトのアラートに応じて連続的なデータストリームでAIモデルを更新する方法です。これらの戦略により、COVID-19パンデミックによるデータシフトの危害を防止し、モデル性能の継続的な改善が可能になりました。 AIモデルには、訓練データの特性によって特定の偏りが生じる可能性があるため、一部の患者グループに対する不公平や差別的な結果を引き起こす危険性もあります。Dolatabadi准教授は、「我々はこれらのデータシフトを検出し、負の影響を評価し、その影響を軽減するための戦略を提案しています。これは、医療AIの潜在的可能性と実際の臨床環境での展開と持続可能性の間のギャップを埋めるプラクティカルな道筋を示しています」と述べています。 本研究は、医療AIモデルの実世界での安全且つ効果的な展開を目指す重要なステップであり、その安全性と効果性を確保するための戦略とワークフローを提供しています。 Subasri氏は、「これらの知見は、トロント地域の一般内科患者人口に対する有害なデータシフトを検出し軽減するため、転移学習と継続学習を組み込んだプロアクティブでラベル非依存の監視パイプラインの有用性を示しています」と総括しています。 業界関係者のコメントと企業概要 約ク大学のDolatabadi准教授は、Health Policy and Management学科を率いており、Connected Mindsの一員であり、Vector Instituteの助教でもあります。今回の研究は、医療AIモデルの実用化に向けた実践的な手法を提供するもので、医療現場でのAI活用を大きく前進させることが期待されています。 University Health Network（UHN）のAI科学者Vallijah Subasri氏は、本研究において実際の臨床環境での医療AIモデルの適用と持続性を高める具体的な手法を提示し、その効果を実証しました。UHNはカナダ最大の研究型医療センターであり、先端技術と临床実践の融合を推奨しています。