臨床データ抽出における大規模言語モデル（LLM）の可能性と課題

科学分野:

• 医療情報学
• 医療における人工知能

背景:

• 大規模言語モデル（LLM）は、臨床自由形式文書の自動処理を提供します。
• LLMは、医療専門家の読解努力と文書作成の作業負荷を軽減できます。
• 高品質なデータと正確なモデル制御は、医療におけるLLMの実用的な応用に不可欠です。

研究 の 目的:

• ローカルLLMを使用した情報抽出のための異なるプロンプト戦略の有効性を評価すること。
• さまざまなプロンプトを使用した病理レポートからの抽出データの品質を評価すること。
• 臨床現場におけるLLM実装のための課題とベストプラクティスを特定すること。

主な方法:

• ローカルの汎用LLM（Llama 4 Scout）を使用して、24件の非構造化病理レポートを処理しました。
• 情報抽出能力をテストするために、3つの異なるプロンプトバリアントを採用しました。
• 異なるプロンプト設計間での抽出品質を比較しました。

主要な成果:

• プロンプトの設計は、LLMのパフォーマンスと出力の信頼性に極めて重要な影響を与えました。
• 明確なパラメータ定義と例を含むプロンプトは、最も一貫した結果をもたらしました。
• 幻覚や誤分類を含む一般的なLLMのエラーが観察され、注意深い検証が必要であることが示唆されました。

結論:

• LLMは、自由形式文書から関連情報を体系的に抽出することにより、臨床スタッフを支援する可能性を示しています。
• 効果的かつ安全なLLM展開には、高品質なデータ、正確な入力パラメータ、および学際的な協力が必要です。
• 臨床LLM統合には、プロンプトエンジニアリングとエラー軽減に関するさらなる研究が不可欠です。