臨床知識グラフを用いた大規模言語モデルの強化による個別化周術期輸液療法の質問応答
カテゴリ：手術支援
公開日：2026年6月12日
タイトル：Augmenting large language models with clinical knowledge graph for personalized perioperative fluid therapy question answering
雑誌名：PLOS Digit Health. 2026 Jun; 5(6): e0001474. doi: 10.1371/journal.pdig.0001474.
概 要：
周術期の個別化輸液療法は、術後の合併症や不良結果を減少させるために重要です。本研究では、大規模言語モデル（LLM）の限界を克服するために、個別化輸液療法知識グラフ（PFTKG）を構築し、GraphRAGというグラフベースの情報検索戦略を適用しました。PFTKGは6,490のエンティティと15,687の関係を含み、臨床的に関連する情報の取得を支援します。GraphRAGは、従来の文書ベースの手法と比較して、知識ベースおよび症例ベースの質問応答において優れた性能を示しました。
方 法：
本研究では、300の知識ベースの質問セットと206人の腹部手術患者から派生した262の症例ベースの質問セットを用いて、GraphRAGの性能を評価しました。評価指標には、正確性、誠実性、エラー構成、応答の長さ、応答時間が含まれました。GraphRAGは、GPT-4o、Claude Opus 4、Gemini 2.5 Proの3つのLLMでテストされました。
結 果：
知識ベースの質問セットにおいて、GraphRAGは選択肢問題で96.89%、自由回答問題で66.44%の平均正確性を達成しました。症例ベースの質問セットでは、GraphRAGが71.12%の平均正確性を示し、DocRAG（62.47%）、CoT（54.20%）、Vanilla（52.67%）、RoT（52.54%）を上回りました。また、「わからない」選択肢の追加により不確実性の明示的な認識が向上し、GraphRAGは文脈に無関係なエラーを減少させました。
結 論：
GraphRAGは、周術期輸液療法における質問応答のためのドメイン適応型情報検索戦略として有望であり、臨床知識グラフとの統合により、回答の正確性を向上させ、不確実性の下でより保守的な応答を促進することが示されました。今後の臨床統合研究での利用が期待されます。