ChatHealthAI：電子健康記録の表現と大規模言語モデルの接地された臨床推論のための調整

大規模言語モデル（LLM）は臨床意思決定支援において強力な自然言語推論能力を示す一方、構造化された縦断的電子健康記録（EHR）を効果的にモデル化することに課題がある。EHRデータは通常、構造化された表形式で存在するため、非構造化テキストを得意とするLLMには扱いにくい。対照的に、専用のEHR基盤モデルは大量の患者データから予測的な表現を学習できるが、その推論プロセスは言語レベルで解釈可能ではなく、臨床医にとって理解が難しい。このギャップを埋めるために、複数の機関の研究者らはChatHealthAIを提案した。これは、EHR基盤モデルの構造化患者表現と凍結LLMの意味空間を整列させるマルチモーダル推論フレームワークである。

ChatHealthAIの核心的な革新は、タスク認識リサンプラーである。このモジュールは、具体的な予測タスクに応じてEHR基盤モデルから抽出された表現から最も関連性の高い情報を選択し、LLMが理解できるトークン系列に変換する。これにより、システムは縦断的患者表現と洗練された臨床イベント記述を統合し、患者予測の正確性を維持しながら、解釈可能な臨床推論プロセスを生成できる。研究者らはEHRSHOTベンチマークの3つの臨床予測タスク（死亡率予測、入院期間予測、診断予測）でChatHealthAIを評価した。実験結果は、ChatHealthAIが予測性能において最先端のモデルと同等でありながら、推論の質と解釈可能性において顕著な向上を示した。例えば、死亡率予測タスクでは、ChatHealthAIは単なるリスクスコアではなく、具体的な臨床理由（心臓発作、感染症など）を含む自然言語の説明を生成できた。

これらの知見は、EHR基盤モデルと事前学習済みLLMを統合して解釈可能な臨床予測を実現する大きな可能性を強調している。ChatHealthAIは医療AI分野に新しいパラダイムをもたらし、構造化データの予測能力と言語モデルの推論能力を同時に活用する臨床意思決定支援システムを可能にする。今後、研究者らはリサンプラーの効率をさらに最適化し、より大規模なデータセットでフレームワークの汎化能力を検証する予定である。また、ChatHealthAIを既存の電子健康記録システムに統合することで、臨床現場における診断と予測の透明性と信頼性を高め、医師のより情報に基づいた意思決定を支援することが期待される。