臨床文書における大規模言語モデルの使用：スコーピングレビュー

科学分野:

• 医療情報学
• 医療における人工知能
• 臨床文書改善

背景:

• 臨床文書の複雑さは、臨床医の燃え尽き症候群に寄与しています。
• 大規模言語モデル（LLM）は、文書作成タスクの潜在的なソリューションを提供します。
• LLMの正確性、バイアス、プライバシー、規制リスクに関する懸念が存在します。

研究 の 目的:

• 臨床文書におけるLLMの応用に関する現在の文献をマッピングすること。
• この領域におけるLLMのメリット、限界、倫理的考慮事項を評価すること。

主な方法:

• ArkseyとO'Malleyのフレームワークに従ったスコーピングレビュー。
• 5つのデータベース（PubMed、Scopus、CINAHL、Cochrane、IEEE Xplore）で英語の文献（2009-2025年）を検索しました。
• 複数のレビュー担当者による独立したスクリーニング、データ抽出、品質評価。ナラティブ合成。

主要な成果:

• 41件の研究が分析され、主に米国からのもので、ノート作成と要約に焦点を当てていました。
• LLMは文書作成において最大40%の時間節約の可能性を示し、効率と可読性を向上させました。
• 懸念事項には、事実の不正確さ、「幻覚」、バイアス、プライバシー、信頼性とニュアンスに関する臨床医の認識のばらつきが含まれます。

結論:

• LLMは、臨床文書の効率、標準化、明確性を向上させる可能性を示しています。
• 安全な統合には、正確性、倫理的保護措置、臨床医の信頼に対する厳格な注意が必要です。
• LLMは臨床的推論を置き換えるのではなく、補完するものであり、共同設計とAIリテラシーが必要です。