ワシントン州キング郡、AIを活用し薬物過剰摂取による死亡を減らす

ワシントン州キング郡検死官事務所は、全米各地の多くの公衆衛生機関と同様に、薬物過剰摂取による死亡を追跡し、リスクのある集団に介入策を講じ、人命救助につなげている。

キング郡では、ここ数年、致死的な薬物過剰摂取の報告は主に紙と人手によるプロセスで行われており、その情報は州および連邦政府機関と共有されている。フェンタニルやその他の薬物関連死がシアトル地域で急増している近年、致死的な薬物過剰摂取を集計し報告するこの面倒なプロセスには膨大な時間がかかっていた。

郡庁所在地であるシアトルでは、2022年に550人以上の薬物過剰摂取による死亡が報告され、前年に比べ82%増加した。2023年には、キング郡では約1,300人の薬物過剰摂取による死亡が報告された。

以前は、薬物過剰摂取による死亡を報告する際、検視官が現場で見つかった注射針、パイプ、錠剤、未確認の物質、その他の証拠などの要因を記載した、構造化されていない記述形式の報告書を作成していた。多くの場合、そのプロセスには、毒物検査報告書などの追加書類が関係していた。

その後、人間の要約者が複数ページにわたる文書を読み、関連情報を抜き出し、州および米国疾病管理予防センター（CDC）で使用されるフォームに再入力する。CDCの州非意図的薬物過剰摂取報告システム（SUDORS）は、致死的な薬物過剰摂取に関する全国データベースであり、関与した薬物や薬物入手経路などの状況をより深く理解するために使用される。

キング郡検死官事務所の法医学疫学者、ヤン・マーティン氏は、データを収集し分類する究極的な目的は、致死的な薬物過剰摂取の件数が多い地域への介入策を策定することにあると語る。介入策には、フェンタニルに関する特定の集団への教育、新しい薬物治療センターの開設、オピオイドの作用を軽減する薬であるナロキソンの特定地域への配布など、さまざまな形がある。

時間のかかるプロセス

しかし、この手作業による報告プロセスにはあまりにも時間がかかり、キング郡の対応能力に影響を与えていた。郡の職員は、200件の薬物過剰摂取による死亡事例に関連する書類を印刷しスキャンするのに約10～12時間かかり、さらに書類からデータを抽出し、何千もの項目に記入する報告フォームを作成するのに200時間かかった。

CDCと米国保健社会福祉省からの資金援助を受け、検視官事務所はキング郡情報技術局と協力し、自然言語処理（NLP）と機械学習（ML）を使用して、薬物死亡報告に必要なデータ抽出とフォーム記入を自動化する一連のツールを開発した。

「このプロジェクトは、これらのプログラムにおけるボトルネックの問題、つまり、効率性を高める上で妨げとなっている要因に対処するものである」とマーティン氏は言う。

段階的な導入

新しいプロセスは 3 つのステップから成る。薬物過剰摂取による死亡事故後に提出される複数ページの事故報告書および薬物検査報告書は、まずスキャンされ、光学式文字認識（OCR）を使用して情報が抽出される。

第2段階では、キング郡IT局が作成・訓練したNLPおよびMLモデルが、これらのデジタル化された報告書から関連情報を抽出する。MLモデルには、古典的なMLとディープラーニングが含まれ、報告書の記述テキストからカテゴリーラベルを予測する。

キング郡の NLP モデルは、高度な大規模言語モデル（LLM）である BERT をベースとしている。IT 部門では、Hugging Face のオンライン AI サービスと、ディープラーニングモデルを構築するための Python フレームワークである PyTorch も使用している。また、ソリューションの一部として、データ分析には Azure Databricks も採用されている。

「このプロジェクトは、非常に古典的な問題、つまり、非常に手作業の多いプロセスに、すぐに利用できる古典的な自動化技術の一種を適用することに焦点を当てている」とキング郡IT局のデータ戦略・運用担当ディレクター、グレース・プレイヤポンピサン氏は語る。「そして、本当に素晴らしいのは、機械学習機能により、より実験的な側面を追加することだ。

このプロジェクトにおける機械学習の部分は、レポートのデジタル化作業にさらなる自動化を加えるための概念実証として始まったと彼女は付け加える。

「私たちは、『すでに利用可能な新しいツールや新しいテクノロジーを使って、すでに効率的なプロセスをさらに効率化するために、すでに持っているデータを利用できる機会があるだろうか』と自問した」と彼女は言う。

プロジェクトの第三段階として、IT部門は、州のアブストラクターがレポートフォームを自動入力できる2つのフロントエンドユーザーインターフェースを作成した。また、NLPと機械学習によって行われた作業を確認することも可能だ。最初のインターフェースでは、ユーザーはテキストの記述を入力でき、NLPとMLモデルが予測フィールドラベルと予測の信頼度推定値を提供する。

2つ目のインターフェースは、JavaScriptコードを使用してSUDORSデータベースへのデータ入力の自動化に重点を置いている。ワシントン州保健省と全米12の郡や州がこのインターフェースの使用に関心を示している、とマーティン氏は言う。

プロジェクトの次の段階では、ITチームは、最初のパイロット版で7つのデータ入力フィールドを対象としていたものを、1,000以上のデータ入力フィールドのカテゴリーラベルを予測するセキュアなAIモデルを使用することを計画している。もう1つの目標は、このテクノロジーを使用して、薬物過剰摂取を全米暴力死報告システム（NVDRS）に報告することである。

このプロジェクトにより、キング郡は2024年のCIOアワード（ITリーダーシップとイノベーション部門）を受賞した。

的を絞った介入

すべての要素が組み合わさった結果、キング郡では、記述レポートのデジタル化とデータ入力の自動化により、大幅な時間短縮を実現した。マーティン氏によると、200件の過剰摂取レポートをデジタル化するためにかかる時間は、以前は10～12時間だったが、現在は20分で済むという。また、SUDORSやその他のフォームへの記入時間も約30%短縮された。

報告書の処理にかかる時間が短縮されたことで、薬物過剰摂取が急増した場合にも迅速な対応が可能になったと、プレイヤポンピサン氏は言う。地理空間マッピングと組み合わせることで、より最新の情報を得られるようになったため、公衆衛生専門家は薬物過剰摂取が増加している地域に重点的に取り組むことができるようになった。

「予防的介入により、健康状態を改善することができる」と彼女は付け加える。「このデータをリアルタイムで重ね合わせることにより、適切なリソースを配置するだけでなく、非常に具体的にターゲットを絞ることができる」