患者が管理する個人健康記録（PHR）は、患者が自身の健康をよりよく理解できるようにする可能性を秘めているが、記録内の情報は複雑で、洞察を妨げる可能性がある。本研究では、大規模言語モデル（LLM、具体的にはGemini 3.0 Flash）が、PHRからの臨床データをコンテキストとして提供された場合に、ユーザーの健康に関する質問に対して役立つ回答を提供できる可能性を評価した。
研究では、患者の質問を代表する3つの異なる分布から合計2,257件のユーザークエリを抽出した。短いウェブ検索クエリ、チャットボット会話のテンプレートから派生した長い質問、そして患者が医療チームに尋ねた質問（患者コール）である。クエリは、匿名化されたPHR（1,945件のプールから）と照合された。Geminiの回答は、（1）PHRコンテキストなし、（2）人口統計、疾患、薬剤の基本要約あり、（3）完全で詳細な臨床ノートあり、の3つの条件で生成された。
評価には、既存の評価フレームワーク（SHARP）を活用し、PHRを解釈する際の特定のエラーモードに対応する新しいフレームワークを開発した。評価は、全データセットに対して自動評価者を用い、サブセット（n=95）に対しては臨床医の評価を用いた。両評価者とも完全なPHRコンテキストを認識していた。
その結果、PHRデータを提供することで、すべての質問タイプにおいて回答の有用性が有意に向上することが確認された（p < 0.001、対応のあるt検定）。また、回答の安全性、正確性、関連性、個別化においても潜在的な向上が観察された。さらに、PHR評価フレームワークは、時間的混乱や稀ではあるが意味のある作話など、複雑なPHRの特定の側面に対するLLMの理解のギャップを明らかにした。
これらの結果は、PHRデータが幅広いユーザーニーズを持つ人々を支援する可能性を示唆し、PHRコンテキストに基づくLLM回答のギャップを監視するためのフレームワークを提供する。本研究は、ユーザーが自身の健康記録を理解することの潜在的な利点を評価し実現するためのさらなる取り組みを促すものである。