生成的人工知能を活用した皮膚科における合成医療教育
カテゴリ：医学教育
公開日：2026年2月19日
タイトル：Synthetic medical education in dermatology leveraging generative artificial intelligence
雑誌名：NPJ Digit Med. 2025 May 04; 8(1): 247. doi: 10.1038/s41746-025-01650-x. Epub 2025 May 04.
概 要：
本研究は、大規模言語モデル（LLM）を活用した「合成教育」によって、皮膚科の医療教育を革新する可能性を探ります。OpenAIのGPT-4を用いて、アメリカ医師免許試験で試験された20の皮膚および軟部組織疾患に関する臨床事例とその説明を生成しました。専門医による評価では、科学的正確性（4.45/5）、包括性（4.3/5）、全体的な質（4.28/5）は高評価を得た一方、潜在的な臨床危険性（1.6/5）や人口統計的バイアス（1.52/5）は低評価でした。包括性と全体的な質の間には強い相関（r=0.83）が見られましたが、事例には重要な人口統計的多様性が欠けていました。この研究は、皮膚科教育資料のスケーラビリティ、アクセス性、カスタマイズ性を向上させるLLMの可能性を強調しています。
方 法：
本研究では、OpenAIのGPT-4を使用して、20の皮膚および軟部組織疾患に関する臨床事例を生成しました。生成された事例は、アメリカ医師免許試験に基づいており、専門医による評価を受けました。評価項目には科学的正確性、包括性、全体的な質、潜在的な臨床危険性、人口統計的バイアスが含まれました。
結 果：
生成された臨床事例は、科学的正確性（4.45/5）、包括性（4.3/5）、全体的な質（4.28/5）で高評価を得ましたが、潜在的な臨床危険性（1.6/5）や人口統計的バイアス（1.52/5）は低評価でした。包括性と全体的な質の間には強い相関（r=0.83）が確認されました。事例には重要な人口統計的多様性が欠けていました。
結 論：
LLMは皮膚科教育のスケーラビリティ、アクセス性、カスタマイズ性を向上させる可能性があることが示されました。今後は、事例の人口統計的多様性を高める努力が必要であり、多様な集団への適用性を向上させることが求められます。