MEDICINE & AI

タイトル：Large language multimodal models for new-onset type 2 diabetes prediction using five-year cohort electronic health records. 雑誌名：Sci Rep. 2024 Sep 06; 14(1): 20774. 概　要： 本研究では、2型糖尿病（T2DM）のリスク予測のために、臨床ノートと検査結果のマルチモーダルデータを組み込んだ新しい大規模言語マルチモーダルモデル（LLMMs）フレームワークを提案します。2017年から2021年までの5年間の電子健康記録（EHR）を台湾の病院データベースから収集し、1420596件の臨床ノート、387392件の検査結果、1505以上の検査項目を含みます。この方法では、テキスト埋め込みエンコーダとマルチヘッドアテンション層を組み合わせて検査値を学習し、深層ニューラルネットワーク（DNN）モジュールを利用して血液特徴と慢性疾患の意味を潜在空間に統合しました。臨床ノートとテキストベースの検査値を統合することで、T2DMの早期発見における単一モーダルモデルの予測能力が大幅に向上しました。 方　法： 本研究は、2017年から2021年までの5年間の電子健康記録を用いたコホート研究です。データセットには、1420596件の臨床ノート、387392件の検査結果、1505以上の検査項目が含まれています。テキスト埋め込みエンコーダとマルチヘッドアテンション層を用いて検査値を学習し、DNNモジュールで血液特徴と慢性疾患の意味を統合しました。主要評価指標は、受信者動作特性曲線（ROC曲線）の下の面積（AUC）で、T2DMの新たな発症予測において0.70を超える結果を達成しました。 結　果： 臨床ノートとテキストベースの検査値を統合することで、T2DMの新たな発症予測においてAUCが0.70を超える結果を達成しました。この結果は、テキストデータを活用することで、LLMのトレーニングと推論の精度が向上することを示しています。 結　論： 大規模言語マルチモーダルモデルは、2型糖尿病の新たな発症予測において有効であり、臨床ノートと検査結果を統合することで予測精度が向上することが示されました。これにより、早期の糖尿病発見に寄与する可能性があります。