医師と人工知能が実際の臨床ケースにおける大規模言語モデルの評価で乖離する
カテゴリ：災害・救急医療
公開日：2026年7月3日
タイトル：Physicians and artificial intelligence diverge in evaluating large language models on real clinical cases.
雑誌名：NPJ Digit Med. 2026 Jul 02; doi: 10.1038/s41746-026-02942-6.
概 要：
本研究は、医療におけるマルチモーダル大規模言語モデル（LLMs）の臨床的有用性を評価することを目的としています。従来の評価は専門知識の不足や狭い専門領域、選択肢ベースの基準に依存しており、性能を過大評価し臨床的有用性を隠す可能性があります。400人以上の医師が実際の匿名化された臨床ケースに対してLLMが生成した自由記述の回答を評価しました。また、医師の特性を模倣したAIエージェントも使用し、評価の補完または代替が可能かを検討しました。
方 法：
この研究は、多施設・多分野にわたる研究で、7つの専門分野からの医師が参加しました。医師の経験レベルや地理的背景が異なる中で、LLMが生成した自由記述の回答を評価しました。対照群として、医師の特性を模倣したAIエージェントも使用し、評価の比較を行いました。
結 果：
医師の評価は臨床の経験や実践環境によって大きなばらつきがあり、モデルの相対的なランキングに顕著な変動が見られました。AIエージェントは効率的で方向性の一致した評価を提供しましたが、人間の臨床判断のニュアンスを完全には捉えられず、医師の評価を代替することはできませんでした。AIは、出力をトリアージまたは事前スクリーニングする支援ツールとしての可能性を示しました。
結 論：
医師とAIの評価には乖離があり、AIは医師の評価を補完する支援ツールとしての役割が期待されますが、完全に代替することはできないことが示されました。