大規模言語モデルを用いた抗がん剤健康保険償還の適格性評価：ベンチマークの開発と比較研究
カテゴリ：災害・救急医療
公開日：2026年6月16日
タイトル：Assessing Eligibility for Anticancer Drug Health Insurance Reimbursement Using Large Language Models: Benchmark Development and Comparative Study
雑誌名：J Med Internet Res. 2026 Jun 15; 28: e95877. doi: 10.2196/95877.
概 要：
本研究は、抗がん剤の健康保険償還の適格性を評価するためのベンチマークを開発し、大規模言語モデル（LLMs）が適格性確認を信頼性高く行えるかを評価することを目的としています。韓国の国民健康保険のガイドラインに基づき、3種類の婦人科癌（子宮頸癌、子宮癌、卵巣癌）に関する74の抗がん剤レジメンを含む222のケースを用いて、LLMsの性能を比較しました。
方 法：
本研究では、トリステートの判断フレームワーク（適格、不適格、判断不能）を用いてベンチマークを構築しました。3人の婦人科腫瘍専門医と1人の利用審査看護師がこのベンチマークを検証しました。Anthropic、Google、OpenAIの3社からの6つのLLMを評価し、公式ガイドライン文書を入力として使用しました。各モデルごとに3回評価を行い、最終的な予測は多数決で決定しました。
結 果：
全体の検証精度は77.9%から88.7%であり、適格および不適格ケースは高いリコール（86.5%-98.6%）を示しましたが、判断不能ケースは全モデルで顕著に低下しました（44.6%-70.3%）。子宮癌は判断不能リコールが最も低く（16.7%）、ガイドラインの複雑さが影響していることが示されました。判断不能ケースは主に適格と誤分類される傾向がありました。
結 論：
このベンチマークにおいて、LLMsは明確に適格および不適格なケースを高いリコールで分類しましたが、判断不能ケースに対する信頼性は限られていました。主なエラーのパターンは情報ギャップの補填であり、モデルは適格性を推測する傾向がありました。これらの結果は、LLMsを独立した判断者としてではなく、監督された意思決定支援ツールとして展開すべきであることを示唆しています。