多施設実臨床記録に基づく精神科診断のための大規模言語モデル：比較研究

科学分野:

• 医療における人工知能;計算精神医学;ヘルスインフォマティクス

背景:

• 精神科診断は、特にリソースの限られた状況において、主観的な判断に依存するため困難である。;大規模言語モデル（LLM）は診断支援の可能性を示しているが、実世界のデータ検証は限られている。

研究 の 目的:

• 複数のLLMの精神疾患診断における診断パフォーマンスを評価・比較すること。;多施設の実世界の電子カルテを利用すること。

主な方法:

• 中国の6つの精神科センターからの9,923人の入院患者の電子カルテのレトロスペクティブ分析。;医師の診断と比較したGPT-4.0、GPT-3.5、GLM-4-Plusの評価。;厳密精度と寛容的分類指標を用いた評価、サブグループ分析を実施。

主要な成果:

• GPT-4.0は最も高い厳密精度（71.7%）と寛容的F1スコア（0.881）を達成した。;気分障害および統合失調症スペクトラム障害で最もパフォーマンスが高かった。;精度は年齢層によって異なり（高齢者で最も高く、青年期で低い）、施設間では安定したパフォーマンスを示した。

結論:

• LLM、特にGPT-4.0は、実世界の電子カルテデータを用いた精神科診断の支援能力を示している。;パフォーマンスは年齢層や疾患カテゴリーの影響を受ける。;LLMは補助的なツールとして機能すべきであり、臨床実装前にはさらなる検証が必要である。