電子カルテにおける大規模言語モデルの実装

科学分野:

• 臨床情報学
• 医療における人工知能
• 医学文書作成

背景:

• 電子カルテ（EHR）はデータアクセスを強化しますが、臨床医の文書作成負担を増加させます。
• 大規模言語モデル（LLM）は、このワークロードを軽減する潜在的なソリューションを提供します。
• ライブ病院システムにおけるLLMの実際の展開は限られています。

研究 の 目的:

• EHRシステムに統合された、安全なオンプレミスLLMアシスタントを実装および評価すること。
• 臨床現場におけるLLMの実現可能性とユーザーエンゲージメントを評価すること。
• 責任ある臨床AI展開のための再現可能なモデルを実証すること。

主な方法:

• Retrieval Augmented Generationを使用したQwen3-235Bを用いたGDPR準拠のオンプレミスLLMアシスタントを開発しました。
• このLLMアシスタントを、ヨーロッパの大学病院のEpic EHRに統合しました。
• 28人の医師による1ヶ月のパイロットの後、5ヶ月間の病院全体の展開を実施しました。

主要な成果:

• パイロット段階での高い初期エンゲージメント（日次利用率64%）で、要約、情報検索、ノート作成などの一般的なタスクが含まれていました。
• 5ヶ月間で1,028人のユーザーによる病院全体の持続的な採用を達成し、14,910件の会話が生成されました。
• 情報アクセスと文書作成支援に一貫して焦点が当てられており、ワークフローへの統合を示唆しています。

結論:

• 臨床環境への大規模LLMの統合は、技術的に実現可能であり、EHRへの埋め込みとプライバシー保護措置によって達成可能です。
• LLMアシスタントは、臨床情報検索と文書作成に持続的な価値を提供できます。
• 日常的な使用中に減少する自主的なフィードバックを補完するために、自動監視戦略が必要です。