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による臨床予測の強化
カテゴリ：診断支援・画像解析
公開日：2026年1月29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、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、臨床予測タスクの自動化と標準化を実現します。FHIR-Formerは、構造化データ（例：検査結果、薬剤）と非構造化データ（例：臨床ノート）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年の間に収集された後ろ向き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で最適化され、出力はFHIRリスク評価リソースにマッピングされ、相互運用性が確保されました。
結 果：
FHIR-Formerは、30日再入院予測でF1スコア70.7%、精度72.9%を達成し、死亡予測ではF1スコア51.8%（精度88.1%）、画像検査分類では61%のマクロF1スコアを示しました。ICDコード予測モデルは94%の精度を達成しました。再入院予測のパフォーマンスは有望で、手動特徴エンジニアリングなしでタスク間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の柔軟性を調和させ、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。