不規則な臨床時系列データを生成するための情報提供型欠損

医療の世界でAI（人工知能）を活用する研究が盛んですが、その中で「電子カルテ」のデータは宝の山です。しかし、このデータには大きな課題があります。それは、検査結果が常にきっちり揃っているわけではない、という点です。

例えば、健康診断のように決まった項目を定期的に測る場合はデータが揃いやすいですが、病院に入院した患者さんの場合、診察の状況や医師の判断によって、必要な検査がその都度行われます。そのため、「この日は血糖値を測ったけど、肝機能は測らなかった」といったように、データに「欠損」が生まれるのが普通です。これまでのAI研究では、この「欠損」を単なる抜け落ちたデータとして扱い、平均値で埋めたり、前後のデータから推測したりすることが多かったんです。まるで、パズルの一部が足りないから、適当なピースをはめてごまかすようなものです。

しかし、今回注目する研究では、この「欠損」自体が実は非常に重要な情報を持っている、という新しい視点を提案しています。なぜこの検査が行われなかったのか？ それは、医師が「今は必要ないと判断した」からかもしれませんし、「患者さんの状態から見て、この検査は負担が大きい」と判断したからかもしれません。つまり、欠損していること自体が、医師の判断や患者さんの体の状態を反映している可能性があるのです。

この研究では、MIMIC-IIIという大規模な医療データセットを使い、患者さんの検査データと、その検査が「行われたか否か」という情報をセットでAIに学習させています。これにより、単に検査値の推移を見るだけでなく、「なぜその検査が行われなかったのか」という背景情報まで含めて、患者さんの状態をより正確に理解しようという試みです。例えるなら、写真に写っているものだけでなく、写真に写っていない「余白」にも意味がある、と捉えるようなものです。

具体的には、「拡散モデル」という、まるで絵を描くようにデータを生成するAIの技術を応用しています。この技術を使って、実際の患者さんのデータに近い「仮想の患者データ」を生み出すことで、より多様な状況に対応できるAIモデルを開発しようとしています。これは、医療現場での診断支援や治療計画の最適化に、将来的に大きく貢献する可能性を秘めた、画期的なアプローチと言えるでしょう。