低所得・中所得国の母子保健・新生児保健のための大型言語モデル

科学分野:

• 医療における人工知能
• グローバル・マザーン・アンド・ネバタル・ヘルス
• 医療情報工学 医療情報工学

背景:

• 低・中所得国 (LMICs) は,母体および新生児の保健医療において大きな課題に直面しています.
• 大型言語モデル (LLM) は,情報拡散と意思決定支援の可能性を秘めています.

研究 の 目的:

• LLM,特にGPT-4oの有効性を調査し,LMICにおける母親と新生児の保健医療を支援する.
• LMICに関連する健康情報を生成するGPT-4oの精度を評価する.

主な方法:

• GPT-4oの正確な答えを生み出す能力は,4つの領域で評価されました:医療症例における状態の流行,データ不足地域での流行データ,標準化された医療試験の質問,主観的な健康クエリ.
• 6つのWHO地域と204カ国の公開データを使用した.
• LLMの回答の統計的有意性を確保するために,繰り返し提示されたプロンプトが使用されました.

主要な成果:

• GPT-4oは,世界の病状の流行を正確に反映していない医療症例を生み出し,アメリカ大陸を過剰に表現しました.
• LLMは偏見を示し,主観的な健康に関するトピックで高乳児死亡率の国々に低いランキングを割り当てました.
• 44%のケースで,GPT-4oは不確実性を認めることなく,入手できない妊娠統計を提供しており,その情報源の引用の46.7%は誤っていた.
• GPT-4oは,一般的な妊娠診断の質問の79%を正しく答えましたが,地域的な健康問題や症状を考慮すると誤りがありました.

結論:

• GPT-4oのような汎用LLMは,LMICにおける母子・新生児保健の指導に重大な制約がある.
• 結論は,正確性を向上させ,バイアスを減らすために,文脈特有のデータでLLMを微調整する必要性を強調しています.
• LMICのヘルスケアコンテキストに合わせたLLMソリューションを開発するためにさらなる研究が必要です.