タンザニアにおけるHIVケア離脱予測と理解のための強化された言語モデル：ケーススタディ

科学分野:

• 医用人工知能
• 公衆衛生情報学
• HIV/AIDS研究

背景:

• HIVケアへの継続的な関与と抗レトロウイルス療法（ART）の遵守は、世界的なHIV管理目標の達成に不可欠です。
• HIVケアからの離脱は、特にサブサハラアフリカにおいて、治療効果を妨げる重大な課題となっています。
• 従来の機械学習（ML）モデルは、患者の離脱を予測する上で中程度の成功を示しており、予測ツールの向上が必要とされています。

研究 の 目的:

• HIVケアから離脱するリスクの高い個人を予測するための強化された大規模言語モデル（LLM）を開発および評価すること。
• 従来のMLおよびゼロショットLLMと比較して予測精度を向上させるために、電子医療記録（EMR）を活用すること。
• HIV医師による専門家評価を通じて、LLMの予測の臨床的関連性と有用性を評価すること。

主な方法:

• タンザニア国立HIVケア・治療プログラム（2018-2023年）の480万件の電子医療記録（EMR）を利用しました。
• EMRデータを使用して強化された大規模言語モデル（LLM）を開発およびファインチューニングし、ART非遵守、ウイルス量非抑制、および治療中断に関連するリスクを特定しました。
• タンザニアのHIV医師が、LLMの予測とその根拠の臨床的関連性と専門家の意見との一致を評価しました。

主要な成果:

• 強化されたLLMは、HIVケア離脱の予測において、従来のMLモデルおよびゼロショットLLMを上回る可能性を示しました。
• 医師の評価では、LLMの予測と専門家の臨床評価との間に65％の一致が見られました。
• 一致した予測のうち、92.3％が臨床的に関連性があると判断され、実用的な有用性を示しました。

結論:

• 強化されたLLMは、HIVケアから離脱するリスクのある患者を特定するためのツールとして有望です。
• このAI駆動型アプローチは、HIV管理におけるデータ駆動型意思決定をサポートできます。
• このモデルは、患者転帰の改善、治療遵守の向上、およびHIV感染拡大の削減につながる可能性があります。