実際の胸痛事例における大規模言語モデルの段階的診断推論のシミュレーション評価
カテゴリ：災害・救急医療
公開日：2026年2月25日
タイトル：Simulated evaluation of large language model stepwise diagnostic reasoning with real-world chest pain encounters and Bayesian networks.
雑誌名：BMC Med Inform Decis Mak. 2026 Feb 24; doi: 10.1186/s12911-026-03381-9. Epub 2026 Feb 24.
概 要：
本研究は、実際の臨床データを用いて大規模言語モデル（LLM）であるGPT-4oの診断精度と情報収集戦略を評価しました。500件の胸痛事例を対象に、ベイジアンネットワークを用いて診断の最適方針と医師の実践を比較しました。GPT-4oは、診断精度が低下する一方で、希少な病状を過剰に予測する傾向があり、医師の行動とは大きく異なる結果が得られました。LLMをより厳密な確率モデルに統合し、現実的な病気の有病率に調整することが重要であることが示唆されました。
方 法：
この研究は、202,632件のケースから抽出した500件の緊急外来胸痛事例を対象としたシミュレーション研究です。ベイジアンネットワークを用いて、収集されなかった臨床データを補完し、より堅牢なシミュレーション環境を構築しました。GPT-4oは、136の構造化された臨床変数から情報を逐次的に要求し、診断決定は7つの定義された緊急状態またはその他の診断のいずれかに分類されました。
結 果：
胸痛の全体コホートでは、生命を脅かす病因はわずか2.14%であり、GPT-4oは希少な病状を過剰に予測しました（感度79.3%、特異度45.2%）。有病率の手がかりを追加することで特異度は向上しましたが、感度は低下しました。GPT-4oの情報収集の順序はベイジアンネットワークの最適経路と低い重複を示し、医師の行動とは異なり、バイタルサインや検査を少なく、画像データを30%以上多く要求しました。
結 論：
GPT-4oは、希少な病状に対する診断バイアスを示し、医師の実践パターンとは大きく異なる結果が得られました。これらの不一致は、過剰トリアージやリソースの無駄遣いを引き起こす可能性があります。LLMをより厳密な確率的フレームワークに統合し、現実的な病気の有病率に調整することが、臨床意思決定支援ツールとしての潜在能力を効果的に活用するために必要です。