臨床意思決定支援システムにおける大規模言語モデルと条件付きルール

科学分野:

• 医療における人工知能
• 臨床意思決定支援システム
• 自然言語処理

背景:

• 臨床意思決定支援システム（CDSS）は、医学的決定を強化し、患者の転帰と医療の持続可能性を改善します。
• CDSSルールの開発は、臨床医と開発者の間の反復的なフィードバックループによりコストがかかり、患者ケアのための臨床医の可用性に影響を与えます。

研究 の 目的:

• CDSSのトリアージルールセット生成における大規模言語モデル（LLM）と大規模推論モデル（LRM）の有効性を評価すること。
• AIによって生成されたルールセットと、COVID-19患者モニタリングのための臨床医によって開発されたルールセットを比較すること。

主な方法:

• さまざまなプロンプト技術を使用して、さまざまなLLM（GPT-3.5、GPT-4、GPT-4o、Gemini、Claude 3.5 Sonnet）およびLRM（GPT-o1-mini、Grok-4、Claude 4 Sonnet）をプロンプトしました。
• 精度、解釈可能性、およびルール複雑性に基づいてルールセットの有効性を評価し、Pandemic Intervention Monitoring System（PiMS）CDSSと比較しました。

主要な成果:

• LLMは、PiMS変数が指定されない限り、トリアージルールではなくスクリーニングルールを生成しました。結果として得られたルールは、解釈可能性と複雑さが低下し、精度は31.62%から70.71%の範囲でした。LRMは、解釈可能性が異なり（PiMSの41に対して3-94）、LLMと比較して高い精度（31.62%から81.70%）を達成しました。

結論:

• LLMは、単純さと複雑な推論の欠如により、臨床ルールセットのエミュレーションに限界があります。
• LRMは有効性が向上していますが、依然として限界があります。LLMとLRMの両方が、開発時間を短縮できる実行可能な初期ルールセットを提供できます。
• CDSSルールセットの有効性を向上させるために、LLMとLRMを決定木と統合する将来の研究を探求する必要があります。