電子健康記録データを用いた計算可能な構造化表現型と大規模言語モデルによるオピオイド使用障害の同定の比較

科学分野:

• 救急医学
• 臨床情報学
• ヘルスケアにおける人工知能

背景:

• オピオイド使用障害（OUD）は、緊急部門（ED）で頻繁に遭遇する重大な公衆衛生問題です。
• 構造化された計算可能な表現型などの現在の特定方法は、正確な診断に必要な臨床的文脈全体を捉えられない可能性があります。

研究 の 目的:

• 構造化された計算可能なOUD表現型とゼロショット大規模言語モデル（LLM）のパフォーマンスを比較すること。
• OUD特定のための参照標準として、これらの方法を専門家による臨床レビューと比較評価すること。

主な方法:

• 202人の成人ED遭遇の後ろ向き分析。
• 専門医によるレビューとコンセンサス裁定がOUD状態の参照標準を決定しました。
• 構造化表現型は、ICD-10コード、薬剤、毒物学、キーワードルールを利用しました。
• ゼロショットLLM（GPT-4.1）は、連結されたED臨床ノートに基づいてOUDを分類しました。

主要な成果:

• 専門家レビューアは実質的な一致（κ=0.77）を達成し、遭遇の28%でOUDを特定しました。
• 構造化表現型は高い感度（0.98）を示しましたが、特異性（0.54）は低かったです。
• ゼロショットLLMは高い感度（0.93）と、表現型（p<0.001）と比較して特異性（0.90）の大幅な向上を達成しました。

結論:

• ゼロショットLLMは、OUD検出において高い感度を維持しながら特異性に優れる、バランスの取れたパフォーマンスプロファイルを提供します。
• これは、LLMがED設定におけるオピオイド使用障害の段階的スクリーニング戦略に価値あるツールとなり得ることを示唆しています。
• LLMベースのアプローチは、救急医療におけるOUD識別の精度と効率を向上させる可能性があります。