MEDICINE & AI

タイトル：Leveraging large language models to mimic domain expert labeling in unstructured text-based electronic healthcare records in non-english languages. 雑誌名：BMC Med Inform Decis Mak. 2025 Mar 31; 25(1): 154. doi: 10.1186/s12911-025-02871-6. Epub 2025 Mar 31. 概　要： 本研究は、電子健康記録（EHR）の分析におけるビッグデータと人工知能（AI）の統合が、診断精度や患者の結果を改善する機会を提供することを背景にしています。しかし、非構造化データの処理と正確なラベリングは依然として重要なボトルネックであり、効率的で信頼性のある解決策が求められています。本研究では、特定のドメインに特化したファインチューニングされた大規模言語モデル（LLM）が、タイプミスを含む非構造化EHRテキストを分類する能力を調査し、医療における監視学習AIモデルの効率性と信頼性を向上させることを目指しました。 方　法： 2018年から2023年までのハジェッテペ大学イフサン・ドグラマチ小児病院の小児救急室入院患者のトルコ語臨床ノートを分析しました。データはオープンソースのPythonライブラリを用いて前処理され、呼吸器感染症（RTI）に関するドメイン特化データでファインチューニングされたGPT-3モデル「text-davinci-003」を使用して分類されました。モデルの予測は、小児専門医によって確立されたグラウンドトゥルースラベルと比較されました。 結　果： 24,229件の患者記録のうち、18,879件はタイプミスがなく、フィルタリング手法によりRTIとして確認されました。ファインチューニングされたモデルは99.88%の精度を達成し、残りの記録のRTIケースの特定において、事前学習モデルの78.54%の精度を大幅に上回りました。ファインチューニングされたモデルは、評価されたすべての側面で事前学習モデルよりも優れたパフォーマンス指標を示しました。 結　論： ファインチューニングされたLLMは、高精度で非構造化EHRデータを分類でき、ドメイン専門家のパフォーマンスに近い結果を得られることが示されました。このアプローチは、手動データラベリングに伴う時間とコストを大幅に削減し、AIアプリケーションのための大規模医療データ処理の効率化の可能性を示しています。