FHIR-Former：ファストヘルスケア相互運用性リソースと大規模言語モデルを通じた臨床予測の強化
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：FHIR-Former: enhancing clinical predictions through Fast Healthcare Interoperability Resources and large language models.
雑誌名：J Am Med Inform Assoc. 2025 Dec 01; 32(12): 1793-1801. doi: 10.1093/jamia/ocaf165.
概 要：
本研究では、臨床予測モデリングにおけるデータの異質性と手動特徴エンジニアリングの課題に対処するために、FHIR-Formerというオープンソースのフレームワークを提案します。このフレームワークは、ファストヘルスケア相互運用性リソース（FHIR）と大規模言語モデル（LLM）を統合し、臨床予測タスクを自動化・標準化します。FHIR-Formerは、構造化データ（検査結果、投薬など）と非構造化データ（臨床ノートなど）を動的に処理し、30日再入院予測、画像検査予測、ICDコード分類などの複数の分類タスクをサポートします。
方 法：
FHIR-Formerは、2018年から2024年の間の回顧的入院データを用いて、10のFHIRリソースから1.1百万のデータポイントでモデルを訓練しました。ハイパーパラメータはベイズ法を用いて最適化され、出力はFHIRリスク評価リソースにマッピングされました。
結 果：
FHIR-Formerは、30日再入院予測でF1スコア70.7%、精度72.9%、死亡予測でF1スコア51.8%（精度88.1%）、画像検査分類でマクロF1スコア61%を達成しました。ICDコード予測モデルは94%の精度を示しました。再入院予測のパフォーマンスは有望であり、手動特徴エンジニアリングなしでのスケーラビリティを示しました。
結 論：
FHIR-Formerは、FHIRの標準化とLLMの柔軟性を統合することで、医療におけるスケーラブルで相互運用可能な予測モデリングを進展させます。このオープンソースのフレームワークは、自動化を促進し、リソース配分を改善し、個別化された意思決定を支援することで、AIの革新と臨床実践のギャップを埋めることが期待されます。