SynthEHR-eviction：大規模言語モデルで拡張した合成EHRデータによる立ち退き（SDoH）検出の強化

なぜ住まいの問題は医療記録に含めるべきか

住まいを追われることは健康に壊滅的な影響を与え得ますが、多くの医療システムではそれが起きてもほとんど認識されていません。本稿は医師の記録内にある立ち退きやそれに関連する社会的困難の兆候を検出するよう人工知能を教育する新たな手法を述べます。少量の専門家作業を大規模で現実的な訓練データセットに変換することで、医療機関がリスクのある人々を早期に見つけ、住宅支援や社会的支援につなげる手助けになる可能性があります。

住まいを失うことが健康に与える影響

立ち退きは単に住所が変わる以上の影響をもたらします。ホームレス化、失業、うつ、さらには死亡率の上昇と結びつき、とくに周縁化された集団やCOVID-19パンデミックのような危機時に深刻な影響を及ぼします。それでも現在の電子カルテでは、住宅の喪失や立ち退きの脅威に関する情報は通常、チェックボックスや標準コードではなく自由記述のノートにのみ現れます。これにより病院、研究者、政策立案者が立ち退きの発生場所、誰が最も影響を受けているか、いつ介入すべきかを把握しにくくなります。

現実的な「合成」患者記録の構築

立ち退きを明確に示す実際の診療ノートは稀で機微な情報であるため、著者らはSynthEHR‑Evictionと呼ぶパイプラインを作り、現実的だが完全に合成された例を生成しました。出発点は実際の退院サマリーの社会歴セクションで、大規模言語モデル（大規模なテキスト集合で訓練されたAI）を使って各ノートを特定の住宅状況や社会的状況を反映するよう書き換えました。専門家は「保留中（pending）」「賃貸契約の合意解除（mutual agreement to end a lease）」「過去の立ち退きと現在の立ち退きの区別」などの詳細な立ち退き段階を含む14のカテゴリーを慎重に定義し、ホームレス、食料不安、支払い困難など関連する問題も含めました。反復的な人間の介入プロセスを通じて、臨床専門家が出力サンプルを確認し、誤りを指摘し、構造化されたフィードバックをプロンプト設計に戻すことで、各AI“増強器”が曖昧さの少ない高精度なノートを生成するまで調整しました。その結果、8,000件の合成訓練ノートと、主要な研究データベースから引き出した匿名化された実例と合成例を混ぜた600件以上の慎重にラベル付けされたテストノートを含む大規模な公開データセットが得られました。

コンピュータに行間を読むことを教える

これらの合成事例に基づき、研究チームはカテゴリを割り当てるだけでなく、推論のステップごとの説明も生成する自動注釈システムを構築しました。DSPyと呼ばれるフレームワークを用いてプロンプトを最適化し、AIがまずノートが立ち退きに関するものかどうかを判断し、その後詳細な立ち退き分類器か、交通や食料不安などの他の社会リスク分類器のどちらかに振り分ける設計にしました。この設計は人間の読者がまず「立ち退きが言及されているか？」と問うのに似ています。手作業の負担を減らすため、研究者らは8,000件のノートを人が全部書き直しラベル付けした場合（約260時間超の作業）を、AI支援ワークフローと比較しました。AI支援では専門家の作業時間を6時間未満に抑えつつ、同等のデータ品質が得られ、作業時間が約80パーセント削減されました。

モデルの性能はどの程度か

SynthEHR‑Evictionを用いて、著者らは複数のオープンソース言語モデルを微調整し、商用システムや既存の医療系モデルと比較しました。立ち退きが言及されているか否かを判断する単純なタスクでは多くのモデルが高性能を示しましたが、微調整された大規模言語モデルやチューニングされたGPT‑4の変種が最高スコアに到達しました。より難しいテストは、合成ノート、実際の病院ノート、長い学術症例報告という3つのデータセットにわたって、7つの細かな立ち退き状態と非立ち退きの社会的リスク群を識別することでした。ここではQwen2.5やLLaMA‑3などの微調整されたオープンモデルが最適化されたGPT‑4の性能と同等かやや上回り、立ち退き分類でマクロF1スコア約0.89、他の社会リスクで0.90超を達成しました。パラメータ数がわずか30億程度の小型モデルでも微調整次第で高い性能を示し、計算資源が限られた環境でも実用的なシステムを導入できる可能性を示しています。

推論過程と実データが依然重要な理由

研究は、説明（reasoning traces）がモデルにより有益であることを明らかにしました。訓練データに短く明示的な推論が含まれると、小規模モデルの性能は著しく向上した一方で、最大規模のモデルではほとんど変化が見られず、これらは既に多くの論理を内部に符号化していることを示唆します。これらの推論の足跡は専門家がモデル決定をレビューしやすくしますが、著者らは説明が常にモデルの真の決定過程に忠実であるとは限らないと注意しています。もう一つの重要な知見は、合成ノートだけで訓練したモデルは現実世界の雑多な文章に直面するとつまずくことです。適度な割合の実際の病院ノートや症例報告を混ぜるだけでこれらのドメインでの性能が大きく改善され、合成データは強力であるが単独では不十分であることが強調されました。

隠れたリスクから見える支援へ

総じて、本稿は入念に作られた合成データと目的を絞った専門家の監督を組み合わせることで、散発的に記述された立ち退きやその他の困窮がコンピュータで検出可能な構造化シグナルに変わり得ることを示しています。平たく言えば、このシステムは医師のノートの行間を読み、患者が現在または過去に住宅喪失や関連する社会的負担に直面しているかを検出してフラグを立てることを学びます。電子カルテに統合されれば、こうしたツールは臨床医やソーシャルワーカーがリスクのある人々を早期に発見し、住宅支援、経済相談、交通支援などにつなげるのに役立つ可能性があります。病気の社会的側面という見えにくい面を可視化することで、SynthEHR‑Evictionは患者の生活状況全体を見て対応する医療への道を提供します。

引用: Yao, Z., Zhao, Y., Mitra, A. et al. SynthEHR-eviction: enhancing eviction SDoH detection with LLM-augmented synthetic EHR data. npj Digit. Med. 9, 292 (2026). https://doi.org/10.1038/s41746-026-02473-0

キーワード: 立ち退き, 健康の社会的決定要因, 電子カルテ, 合成データ, 臨床自然言語処理