Identifying antipsychotic treatment episodes using natural language processing and change-point detection

技術要約：NLPと変化点検出を用いた抗精神病薬治療エピソードの特定

問題提起
抗精神病薬は統合失調症スペクトラム障害の治療の要であるが、現実世界の処方は、特にポリファーマシー（多剤併用）やクロザピン開始のタイミングに関して、臨床ガイドラインから逸脱することが多い。これらの治療経過を体系的に特徴付けることは、ベストプラクティスからの逸脱とその結果を理解するために不可欠である。しかし、重大な方法論的障壁が存在する。すなわち、処方情報は構造化されたフィールドではなく、主に非構造化された臨床テキストに記録されていることである。一部のヘルスケアシステムには構造化された処方レジスタが存在するが、それらは離散的な調剤イベントを記録しているだけであり、治療の継続性に関する明示的な情報を持たないため、研究者は恣意的なギャップの閾値に頼らざるを得ない。自由記述テキストから治療エピソードを再構成するための既存のアプローチは、通常、手作業によるカルテレビューを必要とする労力の大きいものであるか、あるいは現実世界のアドヒアランスを反映しないルールベースの閾値に依存している。さらに、自然言語処理（NLP）は薬剤の言及を抽出するために適用されてきたが、これらの手法は多くの場合、離散的な言及を捉えるにとどまり、縦断的な軌跡を再構成するものではないため、ルーチンのレビュー、過去の参照、または重複するポリファーマシーによるノイズを導入してしまう。

方法論
著者らは、NLPと変化点検出（CPD）を統合して、非構造化電子健康記録（EHR）から縦断的な抗精神病薬治療エピソードを再構成するスケーラブルなフレームワークを提案している。本研究では、2007年から2017年までの間にSouth London and Maudsley NHS Foundation Trust (SLaM) における統合失調症スペクトラム障害（ICD-10 F20–F29）の患者12,530人のデータを利用した。

1. データ統合とNLP抽出： パイプラインは、構造化された処方データと非構造化された臨床テキストを組み合わせた。検証済みのNLPパイプラインを用いて、ナラティブ・ノート、退院サマリー、および通信文から抗精神病薬の言及を抽出し、類義語や製品名を標準化された薬理学的語彙にマッピングした。各イベントについて、システムは薬剤名、剤形（経口または持続性注射剤 [LAI]）、用量、および文書の日付を含むタプルを生成した。
2. 時系列モデリング： 各患者について、これらの抽出された記録は、離散的なカテゴリカル時系列 $S = \{(t_i, m_i)\}$ （ここで $t_i$ はタイムスタンプ、$m_i$ は薬剤変数）として定式化された。アルゴリズムの収束を確実にするため、分析は少なくとも5つの記録を持つ患者に限定された。
3. 変化点検出 (CPD)： 時系列における統計的性質の急激な変化を検出し、ある治療が別の治療に置き換わるポイントを特定するために、Pruned Exact Linear Time (PELT) アルゴリズムを適用した。PELTは、事前に変化点の数を指定する必要なく、枝刈りメカニズムを備えた動的計画法を用いることで、$O(N)$ の期待時間計算量を達成する。
   • コスト関数： 非パラメトリックな分布の変化を捉えるために、セグメント固有のコスト関数として放射基底関数（RBF）カーネルを使用した。
   • ハイパーパラメータ： モデルは、ドキュメンテーションのノイズと真の遷移検出とのバランスを取るためのペナルティパラメータ（$\beta$）と、変化点間の最小セグメント長を強制するための min size パラメータを用いてチューニングされた。
4. 併用使用の検出： フレームワークは、2種類の併用使用を区別した：
   • 移行オーバーラップ (Transition Overlap): 切り替え時のテンポラリな重複（変化点の前後28日間のウィンドウ内で両方の薬剤が言及されていることで検出）。
   • 併用療法 (Concurrent Therapy): 持続的な併用療法（エピソード中に2回以上、または月に1回以上言及される第2の抗精神病薬として定義）。
5. 検証： アルゴリズムは、50人の患者から得られた113件の手動注釈付きエピソードに対して検証された。さらに、「既知群」検証では、治療エピソード数の比較においてクロザピン使用者と非クロザピン使用者の間での差異を検討し、大規模な臨床的妥当性を評価した。治療指標とヘルスケア利用（入院および入院日数）との関連性は、一般化線形モデル（GLM）を用いて分析された。

主な結果

• アルゴリズムの性能： PELTアルゴリズムは、min size を2、ペナルティを7として最適化した際、手動注釈に対して0.81のF1スコアを達成した。エラー分析により、薬剤の再開、疎な記録、および一過性のポリファーマシーにおける課題が特定された。
• 治療エピソード： 11,731人の患者全体で、24,648の治療エピソードが特定された。
• ポリファーマシー： 併用抗精神病薬の使用は、全エピソードの31.7%で検出された（移行オーバーラップが1,989件、併用療法エピソードが5,827件）。
• 臨床パターン：
  • クロザピン使用者は、非クロザピン使用者（1.9）と比較して、平均治療エピソード数（3.3）が有意に高かった。これは、治療抵抗性精神病における臨床的期待と一致している。
  • オランザピンが最も一般的な第一選択薬であり、次いでリスパリドン、アリピプラゾールであった。パリペリドンは最も一般的な第二選択薬であった。
  • クロザピンは、最も長い平均エピソード期間（76.8ヶ月）を有していた。
• サービス利用との関連：
  • 併用処方の割合が高いこと、およびクロザピン前のエピソード数が多いことは、入院回数の増加および入院日数の長期化と正の相関があった。
  • 全エピソードに対するLAIエピソードの割合が高いことは、サービス利用の減少と関連していた。
  • 切り替え速度（平均エピソード期間）および最終エピソードの安定性は、サービス利用と有意な関連はなかった。

意義と主張
本論文は、NLPによって抽出されたEHRのナラティブから、連続的な抗精神病薬治療エピソードを再構成するためにCPDを適用した最初の研究であると主張している。主な意義は、精神保健分野のEHRにおける構造化された処方の継続性データの欠如を克服するための、スケーラブルで自動化されたアプローチを提供している点にある。

著者らは、このフレームワークが以下のことを達成すると主張している：

1. スケーラビリティの限界を克服： 以前の手法に必要であった労働集約的な抽象化プロセスを経ることなく、真の臨床的遷移とドキュメンテーション上のアーティファクトを分離する。
2. 臨床的ニュアンスを捉える： ルールベースのアプローチでは失われがちな、予想されるクロス・タイトレーション（漸減・漸増）のオーバーラップと、意図的な併用療法の区別を成功裏に識別する。
3. ダウンストリーム分析を可能にする： 得られた指標（例：治療の複雑性、遷移頻度）は、処方パターンとヘルスケア利用（例：治療最適化の遅れと入院増加の関連）との間の関連性を明らかにするための統計モデルに統合できる。
4. 汎用性を提供する： カテゴリカルな時系列入力のみを必要とするモジュール式のアーキテクチャは、他の慢性疾患にも適応可能であり、処方の質のモニタリング、自動コホートフェノタイピング、および治療抵抗性を特定するための臨床意思決定支援システムへの応用が可能である。

著者らは、パイプラインの精度が上流のNLP抽出に依存すること、断片化されたヘルスケアネットワークにおいて課題が生じる可能性があること、および異なるドキュメンテーション・スタイルに合わせて再調整が必要であることを認め、限界事項については控えめなトーンを維持している。また、データの観察的性質により、報告された関連性の因果関係の解釈はできないことも述べている。