MEDICINE & AI

タイトル：MAGMED: A clinically grounded LLM-guided synthetic augmentation framework for admission-time ICU mortality prediction. 雑誌名：Comput Biol Med. 2026 Jul 18; 213: 111857. doi: 10.1016/j.compbiomed.2026.111857. 概　要： 高齢の集中治療室（ICU）患者における重篤な感染症の死亡リスク予測は、サンプルサイズの制限や施設間の一般化の難しさから依然として課題です。本研究では、MAGMEDというセマンティックに正則化された合成データ拡張フレームワークを提案します。このアプローチは、変分オートエンコーダー（VAE）の分布モデリング能力と大規模言語モデル（LLM）のセマンティック推論能力を統合し、入院時の生理的に妥当な検査プロファイルと臨床に沿った説明を生成します。これにより、データプライバシー要件を満たしつつ、限られた計算リソースでの運用が可能になります。 方　法： MAGMEDは、3つの開発センターと1つの独立した外部検証センターを含む大規模な多施設コホートで評価され、予測性能、分布シフトに対する堅牢性、臨床的解釈可能性を検討しました。軽量な医療LLMを微調整し、オフライン環境で合成データを生成します。 結　果： 内部検証実験では、MAGMEDは代表的な拡張ベースラインを一貫して上回る性能を示しました。また、施設間の分布シフトに対しても堅牢な一般化を実現し、多施設設定での性能低下を効果的に軽減しました。臨床中心の評価では、MAGMED生成サンプルが生理的に一貫したバイオマーカーのパターンと解釈可能な説明を持つことが確認されました。 結　論： MAGMEDは、合成バイオマーカーと臨床説明の間にセマンティックな一貫性を明示的に強制することで、従来のデータ拡張戦略の主要な制限を克服します。このフレームワークは、プライバシーを保護し、解釈可能で、実際の臨床現場に適した予測モデルを提供し、信頼できる人工知能を現実の重症医療に統合するためのスケーラブルな道筋を示します。