大規模言語モデルによる肝疾患診療ガイドライン解釈の最適化：検索強化生成に基づくフレームワーク
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Optimization of hepatological clinical guidelines interpretation by large language models: a retrieval augmented generation-based framework.
雑誌名：NPJ Digit Med. 2024 Apr 23; 7(1): 102. doi: 10.1038/s41746-024-01091-y. Epub 2024 Apr 23.
概 要：
本研究は、大規模言語モデル（LLM）を医療に統合し、特に慢性C型肝炎ウイルス感染管理のための医療ガイドラインの正確な解釈を通じて臨床意思決定支援システム（CDSS）の改善を目指しています。OpenAIのGPT-4 Turboモデルを利用し、検索強化生成（RAG）とプロンプトエンジニアリングを組み込んだカスタマイズされたLLMフレームワークを開発しました。ガイドラインをLLMが効率的に処理できる最適な構造形式に変換し、異なるフォーマットや学習戦略がLLMの回答生成精度に与える影響を評価するアブレーションスタディを実施しました。
方 法：
本研究は、GPT-4 Turboモデルの性能を、文脈にガイドラインを含める、ガイドラインの再フォーマット、少数ショット学習の実施といった5つの実験設定で比較しました。主要評価指標は専門家による精度の定性的評価であり、二次評価指標としてLLM生成の回答と専門家提供の回答との類似性をテキスト類似度スコアで定量的に測定しました。
結 果：
ガイドラインを一貫したテキストコーパスとして提供し、非テキストソースをテキストに変換した際、精度が43%から99%に有意に改善されました（p < 0.001）。さらに、少数ショット学習は全体的な精度を向上させる効果は見られませんでした。構造化されたガイドラインの再フォーマットと高度なプロンプトエンジニアリングが、CDSSへのLLM統合の効果を高めることが示されました。
結 論：
本研究は、構造化されたガイドラインの再フォーマットとプロンプトエンジニアリングが、LLMのCDSSへの統合を効果的に改善する可能性を示唆しています。これにより、医療提供者に対するガイドラインの提供がより正確かつ効率的に行えるようになることが期待されます。