知識グラフを活用した大規模言語モデルによるライフコースリスク経路の再構築：妊娠糖尿病から認知症へのケーススタディ
カテゴリ：高齢者医療・介護
公開日：2026年2月19日
タイトル：Knowledge graph-augmented large language models for reconstructing life course risk pathways: a gestational diabetes mellitus-to-dementia case study
雑誌名：J Am Med Inform Assoc. 2025 Dec 16; doi: 10.1093/jamia/ocaf219. Epub 2025 Dec 16.
概 要：
本研究は、妊娠糖尿病（GDM）と認知症をケーススタディとして、疫学的証拠を統合しライフコースの曝露-結果経路を推測する知識グラフを強化した大規模言語モデル（LLM）フレームワークを開発・評価することを目的としています。因果関係の知識グラフを構築し、GPT-4と統合することで、GDMと認知症の間の橋渡し変数を推測しました。専門家による評価を通じて、科学的信頼性や臨床的関連性を検証しました。
方 法：
因果関係の知識グラフは、科学文献から実証的な疫学的関連を抽出して構築され、仮説的な主張は除外されました。GPT-4と統合するために、4つのグラフ検索強化生成（GRAG）戦略を使用し、GDMと認知症の間の橋渡し変数を推測しました。各GRAG戦略は、臨床専門家と3つのLLMベースのレビュアー（GPT-4o、Llama 3-70B、Gemini Advanced）によって評価されました。
結 果：
GDMと認知症の橋渡し変数に特化した最小限の抽象文献を使用したGRAG戦略は、より広範なサブコミュニティの抽象文献を使用した戦略と同等の性能を示し、両者はGDMまたは認知症関連の全体文献や外部強化なしのGPT-4を使用したアプローチを大きく上回りました。知識グラフを強化したLLMは、慢性腎疾患や身体活動不足などの検証済みリスク因子を含む108の母体候補メディエーターを特定しました。
結 論：
疫学的知識グラフをLLMに統合することで、断片的な文献に対する効果的な推論が可能になり、進行的リスク経路の再構築を支援することが示されました。専門家の評価では、LLMが臨床的関連性を過大評価する可能性があることが指摘され、人間とAIの協力が解釈と応用において重要であることが強調されました。このフレームワークは、修正可能なリスク因子の早期発見やコホート研究デザインにおける変数選択の指針を提供する可能性があります。