医療における大規模言語モデルの実装：臨床医向けレビューとインタラクティブガイドライン
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：Implementing Large Language Models in Health Care: Clinician-Focused Review With Interactive Guideline
雑誌名：J Med Internet Res. 2025 Jul 11; 27: e71916. doi: 10.2196/71916. Epub 2025 Jul 11.
概 要：
本研究は、臨床医や医療従事者が自分のニーズに適した大規模言語モデル（LLM）を選択し、医療におけるLLMの統合プロセスを促進するための体系的なガイダンスを提供することを目的としています。LLMは医療質問への回答や放射線レポートの生成など、人間が理解できる出力を生成する能力を持ちますが、急速な技術の進展により、臨床医は最適なアルゴリズムを選定する課題に直面しています。
方 法：
2022年1月1日から2025年3月31日までに発表された英語のフルテキスト論文を対象に、PubMed、ScienceDirect、Scopus、IEEE Xploreで文献検索を行いました。引用数が一定の閾値に満たないジャーナルや、LLMに焦点を当てていない研究、臨床応用に関与しない論文は除外しました。また、arXivでも同期間における革新的なマルチモーダルLLMの臨床応用に関する論文を検索し、合計270件の研究を収集しました。
結 果：
330のLLMを収集し、臨床タスクにおける適用頻度と最適なパフォーマンスを記録しました。5段階の臨床ワークフローに基づき、特に第2、第3、第4段階が多くの臨床サブタスクとLLMを含む重要な段階であることがわかりました。GPT-3.5とGPT-4は、最も多用途なモデルであり、それぞれ52%（29/56）と71%（40/56）の臨床サブタスクに適用され、最適なパフォーマンスを示しました。一般的なLLMは専門分野でのパフォーマンスが低く、特定のデータセットに基づく軽量なプロンプトエンジニアリングやファインチューニングが必要です。
結 論：
LLMは臨床タスクにおいて医師を支援する可能性がありますが、広範な臨床タスクに成功裏に適用できる一般的なLLMの証拠は見つかりませんでした。したがって、臨床での展開は依然として課題です。本レビューに基づき、臨床タスクに応じた適切なLLMを選択するためのインタラクティブなオンラインガイドラインを提案します。このガイドラインは、臨床的視点から不要な専門用語を排除し、臨床現場でのLLMの適用を成功させるための参考として使用できます。