An EMOI-Based Object-Level Event Governance Framework for Multimodal Healthcare Data Integration and Clinical Research

技術要約：マルチモーダル・ヘルスケア・データの統合と臨床研究のための、EMOIに基づくオブジェクトレベルのイベント・ガバナンス・フレームワーク

問題提起
三次救急病院には、臨床テキスト、画像、検査結果、生理学的信号にわたる膨大なマルチモーダル・ヘルスケア・データが蓄積されているが、その効果的な活用を阻む重大なボトルネックが存在する。現在の病院全体のデータ管理は、データの関連付けの不備、意味論的な異質性、および低効率性に悩まされている。エンタープライズ・マスター・ペイシェント・インデックス（EMPI）フレームワークは患者のアイデンティティを統一することには成功しているが、「どの診療エピソード中にこのデータが生成されたか」という粒度の高い問いには対処できていない。既存の患者アイデンティティに基づく紐付け戦略は、断片的なレコードを生じさせやすく、異種システム間におけるエンカウンター（受診）レコードの接続率は約43%にとどまっている。この制限により、単一の臨床イベントに対応するマルチモーダル・レコードの完全な関連性の連鎖を構築することが困難となり、臨床研究およびインテリジェントな意思決定支援の効率を制限している。

手法
本研究は、レイヤード・レイクハウス・アーキテクチャと9ステップのクローズドループ・ガバナンス・システムに基づいた包括的なガバナンス・フレームワークを提案する。これは、三次救急病院の72 TBの実世界のマルチモーダル・データ（患者数170万人、レコード数3億1,700万件）を利用している。

1. コア・メカニズム (EMOI): 本フレームワークは、EMPIの拡張であるエンタープライズ・マルチモーダル・オブジェクト・アイデンティファイア（EMOI）を導入する。EMPIが患者のアイデンティティを統一するのに対し、EMOIは、エンカウンター（受診）→ 検査 → レポート → 診断 → 治療 というワークフローを連結するオブジェクトレベルのイベント関連性の連鎖を確立する。これにより、断片化されたデータに対して一貫した時空間的意味構造を構築する。
2. アーキテクチャ:
   • データソース・レイヤー: HL7 v2/v3/FHIR標準およびJDBCを用い、30以上の異種システム（HIS、PACS、LISなど）をデカップリングする。取得時には、BERTベースのモジュールが14カテゴリの保護対象保健情報（PHI）を自動的に識別する。
   • 生データの永続化: 信頼性と拡張性に優れたテラバイト規模のデータストレージを実現するため、Raft合意アルゴリズムを用いた分散型データベースTiDBを活用する。
   • マルチモーダル特徴量融合: 物理的な保存から意味的な関連付けへと移行する。クロスアテンション戦略を採用し、画像の特長量（ResNet-50により抽出）を、レポートのテキスト埋め込み（Transformerエンコーダ経由）と統一された特徴空間内で整列させる。時間的進化は、コサイン類似度を用いて定量化され、画像の経時的変化と疾患の進行に関する記述を連結する。
3. 9ステップ・ガバナンス・プロセス:
   • クリーニングとマッピング: 拡張可能なルール・リポジトリ、外れ値検出のためのK近傍法（KNN）、および欠損値補完のための敵対的生成ネットワーク（GAN）を使用する。
   • 標準化とアイデンティティ: ICD-10およびLOINCオントロジーを適用する。重み付き確率マッチングによるEMPI構築を経て、EMOI構築へと進み、患者・エンカウンター・検査・診断・治療を連結する。
   • セキュリティとプライバシー: 5段階のデータ分類を用いた「オニオン・モデル」による防御層（Defense-in-depth）戦略を実装する。機密データは、中国のデータセキュリティ法およびHIPAAを遵守するため、SM4暗号化、ダイナミック・マスキング、およびプライバシー保護コンピューティング（モデルは移動し、データはローカルに留まる）を通じて管理される。

主な貢献

• EMOIフレームワーク: 患者レベルのアイデンティティを超え、オブジェクトレベルのイベント関連付けを実現する新しいメカニズムであり、特定の臨床エピソード内におけるマルチモーダル・レコードの微細な紐付けを可能にする。
• 統合ガバナンス・アーキテクチャ: レイクハウス・アーキテクチャと9ステップのクローズドループ品質管理プロセスを組み合わせた、再現可能なエンジニアリング・パラダイムであり、データ取得から資産化までのフルライフサイクルに対処する。
• 意味論的整列: ディープラーニング（ResNet-50、Transformer、Cross-Attention）を用い、ピクセルレベルの病変特徴量と用語レベルの臨床記述を意味的に整列させる技術的アプローチ。
• セキュリティ・モデル: 国家暗号標準（SM4）とプライバシー保護コンピューティングを統合した5層のセキュリティ分類システムにより、安全な機関間コラボレーションを実現する。

結果
本フレームワークの実装により、以下の定量的成果が得られた。

• データ規模: 19カテゴリの医療データを81の標準化テーブル（1,479フィールド）に統合し、1億500万件の生データから3億3,600万件の標準化データレコードを生成した。
• アイデンティティと関連性: EMPI一致率86.7%、**EMOI関連率100%**を達成し、患者、検査、画像、および診断を連結する包括的な知識グラフを構築することに成功した。
• データ品質: データの一貫性99.63%、正確性97.78%、適時性**95.70%を達成した。主要な臨床モジュールの平均コンプライアンス率は92.63%**に達した。
• 効率性: システム横断的な統合サイクルを9〜14日から1〜2日へと短縮した。研究コホートの準備に要する時間は、手動ワークフローの平均30日から2〜3日へと減少した。
• セキュリティ: 自動PHI識別において**96.4%**の精度を達成し、主要な機密データの暗号化ストレージにおいてほぼ100%のカバー率を実現した。

意義と主張
本論文は、EMOIに基づくオブジェクトレベルのイベント・ガバナンス・メカニズムが、マルチモーダル医療データの断片化を効果的に解決し、統合から研究利用に至るフルライフサイクル管理を可能にすると主張している。本フレームワークは、以下の支援において有効性が検証されている：

• 臨床研究: コホート獲得時間を劇的に短縮し、リアルワールド・リサーチ（RWR）をサポートする。
• 臨床応用: 360度の患者プロファイリング、インテリジェントな臨床意思決定支援（例：リスク警告、病変の並列比較）、および医学レポートの解釈を可能にする。
• 運営管理: 4段階の分析フレームワークを通じて、データ駆動型のリアルタイムな病院運営への移行を促進する。

著者らは、本フレームワークが実現可能性と拡張性を示している一方で、ダウンストリームのアプリケーション（マルチモーダルAIモデルの開発など）における体系的な評価は、今後の課題であると述べている。本研究は、その主要な価値が、研究コホートの抽出、適格性スクリーニング、およびデータフィールドのクリーニングの向上にあることを強調している。