MEDICINE & AI

タイトル：Improving postoperative length of stay forecasting with retrieval-augmented prediction 雑誌名：J Am Med Inform Assoc. 2025 Dec 01; 32(12): 1927-1935. doi: 10.1093/jamia/ocaf154. 概　要： 本研究の目的は、手術後の病院滞在期間（LOS）予測において、リトリーバル強化予測が従来の機械学習（ML）、単独の大規模言語モデル（LLM）、およびリトリーバル強化生成（RAG）アプローチと比較してどのように効果的であるかを評価することです。脊椎手術の症例を電子健康記録から抽出し、構造化された特徴と手術ノートを自然言語の患者表現に統合しました。8つの予測モデルを実装し、リトリーバル強化予測モデルは近隣の類似患者からの滞在期間の平均を計算しました。 方　法： 脊椎手術の症例を電子健康記録から抽出し、構造化された特徴と手術ノートを自然言語の患者表現に統合しました。これをSentence-Bidirectional Encoder Representations from Transformerを用いて埋め込み、ベクトルデータベースに保存しました。ベースラインモデル、単独のML、単独のLLM（Gemma 3:27B）、およびこれらの組み合わせを用いたリトリーバル強化予測または生成を含む8つの予測モデルを実装しました。性能はR2、平均絶対誤差（MAE）、および二乗平均平方根誤差（RMSE）を用いて評価しました。 結　果： リトリーバル強化予測は、単独のMLおよびLLMモデルを上回る性能を示しました（R2 = 0.39、MAE = 4.47）。MLまたはLLMの出力とリトリーバル強化予測を組み合わせることで、さらに性能が向上しました。最も性能が良かったモデルは、リトリーバル強化予測と組み合わせたニューラルネットワークであり、R2 = 0.52、MAE = 4.16を達成しました。リトリーバル強化予測は、MAEとRMSEをそれぞれ最大32%および38%削減しました。 結　論： リトリーバル強化予測は、標準のMLおよびLLMモデルに対してLOS予測の精度を大幅に向上させることが示されました。その解釈可能性とスケーラビリティにより、臨床ワークフローへの予測分析の統合において有望な解決策となる可能性があります。