正確な医療図の抽象化のための大型言語モデル:脳卒中におけるスケーラブルで安全なAI展開を可能にする
Zhusi Zhong1, Carl M Porto1, David Hong1
1From the Warren Alpert Medical School of Brown University (Z.Z., C.M.P, M.G., R.K., G.K., L.B., J.R.F., E.S., S.C., L.S., G.B., M.J., S.Y., Z.J., D.N.W.), Department of Radiology (Z.Z., G.B., M.J., Z.J.), Brown University Health, Department of Interventional Radiology (D.N.W.), Brown University Health, Department of Neurosurgery (J.R.F.), Brown University Health, Providence 02903, USA.
AJNR. American journal of neuroradiology
|February 20, 2026
まとめ
大型言語モデル (LLM) は,神経介入性脳卒中報告から臨床データを正確に抽出することができます. このAIアプローチは,複雑な医療情報を効率的に構造化することで研究を支援します.
科学分野:
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 医療情報工学 医療情報工学
- ニューロ介入放射線学
背景:
- メディカルチャート抽象化は,臨床研究と品質モニタリングに不可欠です.
- 構造化されていない手順レポートは,臨床データの大規模な分析を妨げます.
研究 の 目的:
- プロンプトベースの大型言語モデル (LLM) フレームワークの開発と評価.
- 大血管閉塞 (LVO) の急性不全性脳卒中 (AIS) 患者の神経介入の手続き報告から構造化された臨床変数の抽出を自動化します.
主な方法:
- 2,416件の神経介入性血栓切除術の報告を遡及的に分析した.
- 迅速な応答と思考の連鎖 (CoT) を用いた22の指示調整のLLMの評価.
- 非専門家スタッフの注釈と医療専門家の評価を準確性と一致性のためにベンチマークする.
主要な成果:
- LLaMA3.3-70Bは94.8%の精度を達成し,非専門家の注釈を上回った.
- CoTが誘導した推論変数の抽出が強化され,Quick Responseは直接的な手続きフィールドに優れていた.
- 人工知能の予測は,専門家による解釈と,非専門家による解釈と,特に構造化変数に関して,よりよく一致した.
結論:
- プロンプトされたLLMは,神経血管放射線学報告書から,重要な臨床情報を正確かつスケーラブルに抽出することができます.
- このフレームワークは,従来の事前処理なしに,遡及的研究と自動ストロークレジストリキュレーションへの統合をサポートします.
