大規模言語モデルを活用した退役軍人の医療アクセス障壁の自動特定
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：Leveraging large language models to automate the identification of healthcare access barriers for veterans.
雑誌名：Int J Med Inform. 2026 Apr 01; 209: 106247.
概 要：
本研究は、退役軍人の臨床ノートにおける交通に関する医療アクセス障壁を特定するための自動化システムを開発・評価することを目的としています。大規模言語モデル（LLMs）を用いて、異なるプロンプト戦略が分類性能と説明の一貫性に与える影響を評価しました。2000件の手動注釈付き臨床ノートを使用し、パターンマッチングとLLM分析を組み合わせたハイブリッドシステムを構築しました。
方 法：
本研究では、テンプレートノートに対するパターンマッチングと自由記述ノートに対するLLM分析を組み合わせたハイブリッドシステムを開発しました。2000件の手動注釈付き臨床ノートを用いて、4つのプロンプト戦略（デュアルロール短文、デュアルロール長文、分析優先、分析のみ）をMistral-7BおよびLlama-3.1モデルで比較しました。分類性能は標準的な指標を用いて評価し、説明の一貫性は埋め込み類似性分析を通じて評価しました。
結 果：
分析優先戦略が最も優れた性能を示し、Mistral-7BはF1スコア0.914を達成し、従来の機械学習アプローチ（GBM: 0.786、BERT: 0.811）を上回りました。LLMsはモデル内での説明の一貫性が高く（平均コサイン類似度0.887-0.908）、異なるモデル間の類似性（0.767-0.872）よりも優れていました。パターンマッチングはテンプレートノートの6.7%を決定論的に処理しました。Mistral-7Bは内部的一貫性が高いものの、Llama-3.1に比べて高い棄権率を示しました。
結 論：
LLMsに分類前に証拠を分析させることで、交通障壁の特定において精度と説明の一貫性が向上します。このアプローチは、スケールでの自動障壁検出を可能にし、臨床的に関連する説明を提供することで、集団レベルの医療計画や個々の患者ケアの意思決定を支援します。