大規模言語モデルを活用したオフライン強化学習フレームワークによる敗血症管理
カテゴリ：災害・救急医療
公開日：2026年4月14日
タイトル：Large language model-augmented offline reinforcement learning framework for sepsis management in critical care.
雑誌名：NPJ Digit Med. 2026 Apr 14; doi: 10.1038/s41746-026-02611-8.
概 要：
敗血症は感染に対する調節不全な宿主反応によって引き起こされる生命を脅かす臓器機能障害であり、最適な管理が重要です。既存の強化学習（RL）アプローチは主に構造化データ（バイタルサインや検査結果）に依存しており、患者理解に必要な文脈情報が欠けていました。本研究では、臨床ノートからの豊かな意味的表現を抽出するために大規模言語モデル（LLM）を活用した「MORE-CLEAR」フレームワークを提案します。このフレームワークは、患者の状態表現を改善し、マルチモーダルデータの効果的な統合を可能にします。2つの公的データセット（MIMIC-III、MIMIC-IV）と1つの三次ICUデータセット（SNUH）を用いた交差検証により、MORE-CLEARは単一モーダルRLと比較して生存率とポリシー性能を有意に改善しました。このアプローチは、RLモデルが効果的な行動を提案できるようにし、敗血症管理を迅速化する可能性があります。
方 法：
本研究は、臨床ノートからの情報を活用するマルチモーダルオフライン強化学習フレームワーク「MORE-CLEAR」を提案しています。大規模言語モデルを用いて意味的表現を抽出し、ゲーテッドフュージョンとクロスモーダルアテンションを活用してマルチモーダルデータを統合します。データはMIMIC-III、MIMIC-IV、SNUHの3つのデータセットから取得され、交差検証を行いました。
結 果：
MORE-CLEARは、単一モーダルRLと比較して生存率とポリシー性能を有意に改善しました。具体的な数値は示されていませんが、提案手法によって敗血症管理の効率が向上することが示されました。
結 論：
MORE-CLEARフレームワークは、敗血症管理における強化学習の性能を向上させる可能性があり、臨床現場での迅速な対応を促進することが期待されます。