Unseen Insights: An AI-Powered Exploration of Secure Patient Messages in Ophthalmology

問題提起
電子カルテ（EHR）内における安全な患者メッセージングの急速な拡大は、記録に残らない電話での助言から、追跡可能で非同期的なケアへと眼科におけるコミュニケーションを変貌させた。しかし、これらの患者からの問い合わせ内容を体系的に分析したり、メッセージの量やトピックが社会人口統計学的グループ間でどのように変化するかを理解したりする文献は不足している。患者ポータルの利用率は年齢、社会経済的地位、人種によって異なることが知られているが、デジタルヘルスツールが、特定の集団が不釣り合いに高い疾患負荷に直面している眼科領域において、意図せずケアの格差を広げているかどうかは不明である。さらに、臨床医は増加するインボックスのボリュームに直面しており、アラート疲労につながる可能性があるため、トリアージとワークフローの効率を改善するためにメッセージパターンの理解を深める必要がある。

方法論
本横断的研究では、大規模な三次学術病院（スタンフォード・ヘルス・ケア）からの、匿名化された患者発信のセキュアメッセージを10年間（2014年6月～2024年7月）にわたって分析した。

• データソース： 本研究では、国際疾病分類（ICD-10）コードを用いて眼科疾患を持つ患者を特定した。初期の48,516件のメッセージスレッドから、アンケート、礼儀的なメッセージ、および臨床医の返信を除外した後、4,817人のユニークな患者による30,390件の患者医療相談（PMAR）メッセージを対象とした。
• 自然言語処理（NLP）およびトピックモデリング： 研究者はBERTベースのNLPパイプラインを採用した。生のメッセージは、重複、特殊文字、および低価値なコンテンツ（例：50文字未満のメッセージ）を除去するために前処理された。学習済みで蒸留されたBERTモデル（all-miniLM-L6-v2）を使用して、メッセージを文章レベルの埋め込みに変換した。これらは、Uniform Manifold Approximation and Projection（UMAP）を用いて次元を削減し、トピック類似度の閾値を0.82とするゼロショットクラスタリングを用いてクラスタリングされた。
• 解釈： 2名の調査者が各クラスターの上位15個のキーワードを手動でレビューし、類似したトピックをグループ化した。その後、トピックを詳述するために、ロールプロンプティングや専門性のエミュレーションといったプロンプトエンジニアリング技術を用い、HIPAA準拠の環境内で大規模言語モデル（OpenAI o4-mini）が活用された。
• 統計解析： 人口統計学的サブグループ（年齢、性別、人種、民族、および婚姻状況）間におけるメッセージ頻度の差異は、二項比のz検定を用いて評価された。詳細な年齢カテゴリと人種カテゴリ、および特定の患者の問題との関係を可視化するために、サンキーダイアグラムが作成された。

主な結果

• メッセージの構成： 管理上の問題が全メッセージの約半分（45%）を占め、スケジューリング（29.2%）、薬局／処方箋リフィル依頼（9.5%）、および保険関連書類（4.1%）が最も一般的なものであった。臨床的な懸念の中では、視覚障害が最も頻繁であり（20.8%）、次いで緑内障関連の症状（8.7%）、画像診断／腫瘍に関する質問（7.5%）、および術後に関する懸念（7.4%）であった。
• 人口統計学的格差：
  • 人種： 非白人患者は、白人患者と比較して、薬局のリフィル、保険、緑内障、および障害関連書類に関する問題を有意に多く提起していた。逆に、白人患者は手術に関する懸念について問い合わせる傾向が高かった。
  • 年齢： 50歳以上の患者は、若い患者よりも、特に緑内障、腫瘍の画像診断、手術、および角膜関連の問題に関して、比例して多くの臨床メッセージを提供した。
  • 性別： 女性患者は、男性患者よりも合併症や腫れ／感染症をより多く報告した。
  • 婚姻状況： 未婚の患者は、視覚、緑内障、および障害についてより頻繁に助言を求めた一方、既婚の患者は腫れ／感染症および角膜に関する懸念をより多く報告した。
• コホートの人口統計： 研究対象集団は、女性が55.5%、50歳以上が56.9%、白人が48.7%、非ヒスパニック系が85.7%であった。

意義と主張
本論文は、AIを活用した大規模な眼科セキュアメッセージ解析の初となる事例を提供し、頻出するトリアージに関連する症状や、ケア希求行動における明確な人口統計学的差異を明らかにしていると主張している。著者らは、メッセージ内容の体系的な分析が、より安全なトリアージ、ワークフローの効率向上、およびより公平な眼科ケアの提供を支援できると断言している。

具体的には、本研究は以下を示唆している：

1. AIトリアージの可能性： 一般的なトピックを特定することで、当日対応が必要な「レッドフラッグ（警告）」症状（例：突然の視力喪失）と日常的な質問を区別するAIツールの開発が可能となり、臨床医の負担を軽減できる。
2. 公平性の洞察： 観察された格差（非白人患者が保険やリフィルなどの管理的・慢性疾患管理の障壁に焦点を当てている一方で、白人患者は手術の問題に焦点を当てていること）は、ヘルスケアのナビゲーションにおける障壁に対処するためのターゲットを絞った介入の機会を浮き彫りにしている。
3. ワークフローの最適化： 低複雑度のクエリ（スケジリング、リフィル）の高いボリュームは、日常的なタスクに対する自動化されたワークフローの統合を支持しており、これにより臨床医が緊急の臨床事項に集中することを可能にする。

限界
著者らは、本研究が単一の医療システムに限定されているため、一般化には限界があることを指摘している。さらに、メッセージの内容を臨床アウトカム（例：メッセージが受診や救急外来への訪問につながったかどうか）に結びつけることができなかったため、個々のスレッドの実際の緊急性は独立して検証されていない。著者らは、AIトリアージの実現可能性を示唆しているものの、そのようなシステムを広く実装する前には、精度、安全性、およびバイアス緩和のためのさらなる検証が必要であると強調している。