ソリヤ・ラム・シムゲカル (Soorya Ram Shimgekar) 氏らの研究グループは2026年8月6日(現地時間)、心不全における電子健康記録 (EHR) データからの特徴量エンジニアリングを自動化するパイプライン「Nimblemind Multi-Agent System (nMAS)」を開発したと発表した。これは、臨床研究やAI分野におけるデータサイエンティストのワークロードの39-45%を占める主要なボトルネックへの対処を目的としている。開発されたnMASは、心不全のフェノタイピング性能を向上させる可能性を示した。
電子健康記録 (EHR) からの特徴量エンジニアリングは、臨床研究およびAI分野における主要な課題の一つであり、データサイエンティストの業務負担の約39〜45%を占めている。特に心不全の領域では、推定670万人の米国成人に影響を及ぼし、断片化されたEHRデータと疾患固有のガイドラインに基づく臨床的推論の統合が必要とされるため、この課題は顕著である。既存のルールベースおよび大規模言語モデル (LLM) ベースのアプローチでは、限定的な自動化と、維持管理およびエビデンスの追跡可能性の制約がある。
Soorya Ram Shimgekar氏らの研究グループが開発したNimblemind Multi-Agent System (nMAS) は、エビデンスにリンクし、評価基準に基づいた心不全特徴量エンジニアリングのための自動パイプラインである。このシステムは、9つのEHRソーステーブルから得られた500件のダミー患者記録を用いて評価された。nMASは、132の構造化特徴量と70の評価基準に基づいた集約特徴量を生成し、これらは構造的完全性、評価基準への適合性、および来歴について検証され、制限付きLLMによって監査された。
評価結果として、集約特徴量の追加により、HFrEF (心駆出率が低下した心不全) フェノタイピングのAUROC（受信者操作特性曲線下面積）が0.895から0.963へ、HFpEF (心駆出率が保たれた心不全) フェノタイピングのAUROCが0.870から0.910へ改善した。また、独立したLLMベースの評価基準によるエビデンスサポートと方法論的健全性の評価では、生成された特徴量が最大ポイントの81.5%を獲得した。これらの結果は、複雑な心血管EHRデータに対する自動化され監査可能な特徴量エンジニアリングの実現可能性を示しているが、評価は単一施設コホートに限定されており、外部検証が必要であると見られる。
参考: arXiv cs.AI (アーカイブ) — 2026年8月7日 02:57 (JST)
原文ハイライト"demonstrate the feasibility of automated, auditable feature engineering for complex cardiovascular EHR data"