臨床的特徴

科学分野:

• 医療における人工知能
• ヘルスケアのための自然言語処理
• 計算神経科学

背景:

• 臨床面接は認知症診断に不可欠であり、さらなる患者評価を導きます。
• 大規模言語モデル（LLM）はテキスト分析において可能性を示していますが、実際の医療データでの検証が必要です。
• 臨床記録のみを使用した認知症予測のためのLLMの評価は、あまり探求されていない分野です。

研究 の 目的:

• テキストベースの臨床記録のみから認知症を予測する上でのLLMの有効性を評価すること。
• 認知症予測のための新規深層学習分類器を開発・評価すること。
• 提案モデルと既存の最先端LLMの性能を比較すること。

主な方法:

• 韓国の臨床記録（n=1387）を使用して、アルツハイマー病（AD）および健常対照（NC）予測のための深層学習分類器を開発しました。
• 文レベル注意機構（SLA）およびカテゴリレベル注意機構（CLA）層を備えた階層的注意機構を設計し、臨床記録から重要な情報を抽出しました。
• モデルはデータセットの80％でトレーニングされ、20％で評価され、ChatGPT、LLaMA、ClaudeなどのベースラインLLMと比較されました。

主要な成果:

• 提案された深層学習モデルは、全体精度0.74、F1スコア0.72を達成しました。
• この性能は、ベースラインLLM（ChatGPT、LLaMA、Claude）の頑健性と信頼性を大幅に上回りました。
• 一部のLLMは特定の指標で強みを示しましたが、全体的な結果は提案手法と比較して一貫性がありませんでした。

結論:

• 臨床記録の分析は、早期認知症スクリーニングのための実行可能かつ効果的な戦略です。
• テキストデータの品質を分析に組み込むことで、微妙な文脈情報の抽出が可能になり、予測性能が向上します。
• 開発された深層学習アプローチは、実際の臨床設定における認知症検出のための有望なツールを提供します。