自然言語処理を用いた臨床表現型自動化
Linea Schmidt1,2,3, Susanne Ibing4,5,6, Florian Borchert1,2,3
1Hasso Plattner Institute, Digital Engineering Faculty, University of Potsdam, Potsdam, Germany.
Communications medicine
|January 13, 2026
まとめ
GPT-4のような大規模言語モデル（LLM）は、クローン病研究における計算可能な表現型解析において、人間の専門家のパフォーマンスに匹敵する可能性を示しています。これにより、電子カルテの解析と患者コホート研究が効率化されます。
科学分野:
- 医療情報学
- 計算生物学
- ヘルスデータサイエンス
背景:
- 患者の表現型解析のための電子カルテ（EHR）分析は、しばしば手動で労働集約的です。
- EHRから臨床情報を効率的に抽出するには、スケーラブルで自動化された方法が必要です。
研究 の 目的:
- ルールベース（spaCy）および大規模言語モデル（LLM）ベース（GPT-4）の計算可能な表現型解析アルゴリズムを開発および比較すること。
- 臨床的な記述テキストを使用して、診断年齢および疾患の挙動に基づいてクローン病患者をサブ表現型化すること。
主な方法:
- ルールベースの表現型解析にはspaCyを使用し、LLMベースの表現型解析にはGPT-4を使用しました。
- 584人のクローン病患者からの49,572件の臨床ノートと2204件の放射線レポートを分析しました。
- 文および患者レベルで、F1スコア、リコール、精度、特異度を使用してアルゴリズムのパフォーマンスを評価しました。
主要な成果:
- GPT-4は、ルールベースの方法と比較して同等またはそれ以上のパフォーマンスを示しました。
- 疾患の挙動に関する注レベルのF1スコアは少なくとも0.90、診断年齢に関するスコアは少なくとも0.82に達しました。
- 疾患の挙動に関する患者レベルのF1スコアは少なくとも0.66、診断年齢に関するスコアは少なくとも0.71でした。
結論:
- これは、臨床テキストからの複雑なクローン病のサブ表現型化に関して、LLMとルールベースシステムを比較した最初の研究です。
- LLMのパフォーマンスは、人間の専門家と比較して統計的な差を示しませんでした。
- LLMは、大規模なEHR分析およびチャートレビュープロセスの合理化において大きな可能性を秘めています。
