大規模言語モデルによる外傷トリアージ精度の向上：人間の専門家との比較

科学分野:

• 医療情報学
• 医療における人工知能
• 外傷外科

背景:

• 正確な院前外傷トリアージは、患者の転帰と医療システムの効率にとって極めて重要です。
• 大規模言語モデル（LLM）は、院前外傷トリアージプロセスを強化する新たな機会をもたらします。
• 院前外傷ケアにおけるLLMの現在の実装は限られています。

研究 の 目的:

• 小児外傷トリアージにおけるLLMのパフォーマンスを評価すること。
• LLM支援による院前遠隔通信の精度を評価すること。
• LLMトリアージ精度を人間の臨床医のパフォーマンスと比較すること。

主な方法:

• 一次救命救急センターにおける133件の小児外傷起動の遡及的コホート研究。
• 救急隊の記録、外傷ページ、重症度スコア（ISS）の分析。
• OpenAI Whisperを使用して文字起こしを行い、固有表現認識（NER）を使用して構造化データ抽出を行いました。前向き評価には外傷外科医が関与しました。

主要な成果:

• LLMトリアージは、遡及的分析において、人間の臨床医と同等の精度を示しました（83.5％対78.9％）。
• LLM支援トリアージは、トリアージ不足の減少（4.8％対5.1％）とトリアージ過剰の有意な減少（58.6％対71.8％）の傾向を示しました。
• 前向き評価では、LLMへの曝露後に人間のトリアージ精度が向上し、正しいトリアージ決定のオッズが増加することが示されました。

結論:

• LLMは、遡及的な小児外傷トリアージにおいて、外傷スタッフと同等の精度を達成します。
• 構造化された「必須トランスクリプト」の使用は、精度を維持しながらデータ長を大幅に削減しました。
• LLMの一般化可能性、臨床転帰、および広範な展開のためのユーザー受容を検証するには、さらなる研究が不可欠です。