電子健康記録アプリケーションにおける生成型大規模言語モデルのテストと評価：系統的レビュー
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：Testing and evaluation of generative large language models in electronic health record applications: a systematic review.
雑誌名：J Am Med Inform Assoc. 2026 Jan 13; doi: 10.1093/jamia/ocaf233. Epub 2026 Jan 13.
概 要：
本研究は、生成型大規模言語モデル（LLMs）が電子健康記録（EHR）データを用いて臨床および研究タスクを支援するための利用が急速に拡大している現状を背景に、これまでに研究・評価された臨床分野と使用事例を系統的にレビューしたものです。2023年1月1日から2024年11月9日までに発表された文献を対象に、実際のEHRデータを分析し、定量的なパフォーマンス評価を報告した研究を含めました。
方 法：
本研究は、系統的レビューおよびメタアナリシスのための推奨報告項目（PRISMA）ガイドラインに従って実施されました。PubMedおよびWeb of Scienceから18,735件の文献を取得し、196件が基準を満たしました。各研究の臨床専門分野とタスクを特定し、評価方法を要約しました。
結 果：
196件の研究のうち、放射線科（26.0%）、腫瘍学（10.7%）、救急医学（6.6%）に最も多くの研究が集中していました。臨床タスクでは、臨床意思決定支援が62.2%を占め、要約や患者とのコミュニケーションはそれぞれ5.6%と5.1%と最も少なかったです。GPT-4とGPT-3.5が最も多く使用され、各々60.2%と57.7%の研究に登場しました。22のユニークな非NLP指標と35のユニークなNLP指標が特定されましたが、NLP指標はスケーラビリティが高いものの、金標準の人間評価との強い相関は示されませんでした。
結 論：
本研究の結果は、EHRデータにおける生成型LLMsの評価が、より広範な臨床専門分野とタスクにおいて行われる必要があること、ならびに標準化され、スケーラブルで臨床的に意義のある評価フレームワークの緊急性を強調しています。