大規模言語モデルを用いた医療ノートからの社会的健康決定因子の抽出：開発と検証研究
カテゴリ：医学教育
公開日：2026年2月19日
タイトル：Using Large Language Models to Abstract Complex Social Determinants of Health From Original and Deidentified Medical Notes: Development and Validation Study
雑誌名：J Med Internet Res. 2024 Nov 19; 26: e63445. doi: 10.2196/63445. Epub 2024 Nov 19.
概 要：
この研究は、社会的健康決定因子（SDoH）、特に住宅不安定性を特定するために大規模言語モデル（LLM）を使用する方法を評価しています。SDoHの構造化データを効率的に抽出することで、バイオメディカル研究における曝露変数の導入を加速し、患者への積極的なアプローチを支援することが期待されます。GPT-3.5とGPT-4の性能を比較し、元の医療ノートと匿名化されたノートの両方での結果を検討しました。
方 法：
本研究では、795人の妊婦から得られた25,217件のノートを用いて、GPT-3.5とGPT-4が現在および過去の住宅不安定性を特定する能力を比較しました。結果は手動抽出、固有表現認識モデル、正規表現と比較されました。
結 果：
GPT-4は、GPT-3.5および固有表現認識モデルと比較して最高の性能を示し、現在または過去の住宅不安定性を特定する際のリコールは0.924であり、手動抽出者の0.702を上回りましたが、精度は手動抽出者の0.971に対して0.850でした。匿名化されたノートでは、GPT-4の精度はわずかに改善し（0.936原本、0.939匿名化）、リコールは低下しました（0.781原本、0.704匿名化）。
結 論：
手動抽出は全体的にわずかに正確な結果をもたらす可能性がありますが、LLMはスケーラブルでコスト効果の高い解決策を提供し、リコールが高いという利点があります。半自動抽出を支援する可能性がありますが、患者の関与やケアの決定に使用する前に人間のレビューが不可欠です。また、ノートが匿名化されるとリコールが低下することが示されました。