ヴァギナ・ヴォルト・プロラップスの外科治療の体系的なレビューとメタ分析における大規模な言語モデル

科学分野:

• 医学研究方法論 医学研究方法論
• 医療における人工知能
• 根拠に基づいた医学は,エビデンスに基づいた医療です.

背景:

• システマティック・レビューは,高水準のエビデンスに不可欠ですが,時間がかかります.
• ヴァギナル・ヴォルト・プロラップス手術のテクニックは,強力な比較分析を必要とします.
• 大型言語モデル (LLM) のような新しいツールの評価は,研究効率を改善するために不可欠です.

研究 の 目的:

• PRISMA主導の体系的レビューを実施する際に,大規模な言語モデル (LLM) のパフォーマンスを評価する.
• スクリーニング,データ抽出,および陰道の転落手術試験のための統計分析におけるLLMの精度を評価するために.
• 効率的かつスケーラブルなエビデンス・シンセシスのためにLLMを使用する可能性を決定する.

主な方法:

• 陰道の転倒手術に関するランダム化対照試験 (RCT) のPRISMA主導のシステマティックレビューが行われました.
• 慎重に設計されたプロンプトは,タイトル/抽象のスクリーニング,フルテキストのレビュー,およびデータ抽出のためのLLM (ChatGPT,OpenAI) をガイドするために使用されました.
• LLMのアウトプットは,人間のレビューに対して検証され,統計的結果は従来の分析と比較されました.

主要な成果:

• LLMタイトル/抽象スクリーニングは69.8%のリコールと85.7%の精度 (κ=0.77) を達成し,全文合意は94.1-100% (κ=0.82-1) であった.
• データ抽出の精度は87.5%から99.7%でした.
• 18件のRCTの分析により,サクロコルポペキシ (SC) はサクロスピノス固定 (SSF) よりも解剖学的成功率が高く,トランスヴァギナルメッシュはSSFよりも3年間の成功率を向上させましたが,再手術率は高かったことが示唆されました. LLMで得られた統計は,従来の分析と一致しました.

結論:

• 検証されたLLMワークフローは,体系的なレビューの効率とスケーラビリティを大幅に高めることができます.
• LLMは,陰道の転倒手術のための証拠合成のさまざまなタスクで有望なパフォーマンスを示しています.
• LLMは研究を加速させることができますが,信頼性の高い結果を得るには,注意深く迅速な設計と出力の検証が不可欠です.