最近、Tiziano Labruna氏とその共同研究者らは、イタリア語の臨床ノートの大規模コーパスであるEDEN（Emergency Department Electronic Notes）をarXivで公開しました。これはイタリア語の医療分野において初めての大規模かつ完全匿名化された臨床ノートデータセットです。EDENコーパスは、イタリア国内の複数の病院の救急部門で作成された約400万件の臨床ノートで構成されており、患者が救急部門に滞在する間の初期評価から退院または転院までのさまざまなケア段階をカバーしています。すべてのノートは、患者のプライバシーを保護するために厳格な現場匿名化パイプラインを経ており、研究者が合法的にデータを利用できるようになっています。
データセットの実用性を高めるため、研究チームは400万件のノートから約6000件を選び出し、複数の臨床専門家が構造化された症例報告書（CRF）を用いて手動で注釈を付けました。このCRFには、救急部門で最も一般的な2つの危急状態——呼吸困難と意識消失——に関連する132項目が含まれています。項目の種類は、数値型（例：血中酸素飽和度、心拍数）、カテゴリ型（例：意識レベルを清明、傾眠、昏睡などに分類）、二値型（例：外傷の有無）、および混合型と多岐にわたります。注釈プロセスは、複数の臨床医が参加し、項目の表現における曖昧さを解消するために反復的な修正が行われました。これにより、クラス不均衡はあるものの、構造的に豊かなリソースが得られ、医療AIモデルのトレーニングや評価のための貴重なゴールドスタンダードを提供します。
EDENの公開は、イタリア語の医療データにおける重要なギャップを埋めるものです。これまで英語の臨床データリソースは豊富に存在していましたが、イタリア語の大規模で高品質な臨床テキストデータセットはほとんどありませんでした。EDENの登場により、研究者は実際のイタリア語の臨床シナリオで大規模言語モデル（LLM）を開発・テストできるようになりました。例えば、重要な医療情報の自動抽出、臨床意思決定の補助、カルテ要約の生成などが可能になります。さらに、研究チームはEDENに基づいて、CRF補完（CRF-filling）という新しい構造化情報抽出ベンチマークタスクを提案しました。これは、臨床ノートからCRFの各項目を自動的に埋めるタスクです。彼らはGemma-27BおよびMedGemma-27Bモデルを用いてゼロショット設定でのベースライン実験を行い、今後の研究のための性能基準を提供しています。研究チームによれば、EDENはイタリア語で利用可能な最大の完全無料の臨床ノートコーパスであり、イタリアおよび非英語圏全体の医療AI研究にとって画期的な意義を持ちます。