精神科薬物療法において、患者がオンラインで薬の安全性情報を求めることが増えているが、情報は二つの来源に分かれている。規制当局の有害事象記録は権威があるものの抽象的であり、患者の語りは体験に即しているが検証されていない。精神科では、文脈を欠いた情報が恐怖やノセボ反応、服薬不遵守を増幅させる可能性があるため、証拠と逸話を混同せずに統合することが特に重要である。
そこで、Huizi Yuら13名の著者からなる研究チームは、来歴を認識する知識グラフベースのマルチエージェントフレームワークを開発した。このフレームワークは、466,525件のReddit投稿、60,782件のWebMDレビュー、そして9種類の抗うつ薬に関する20年分の米国FDA有害事象報告システム（FAERS）の記録という三つのデータソースを統合する。研究では、大規模言語モデルを用いたエンティティ認識パイプラインを医師の注釈を基準に評価し、薬剤識別で最高F1スコア0.969、疾患識別で0.973を達成した。これは専門家の注釈との高い一致を示している。
分析から重要な現象が明らかになった。二つのコミュニティプラットフォーム間のデータ一致度は、それらと規制当局の報告との一致度よりもはるかに高く、重複のJaccard類似度は最大0.905に達した。これは、患者生成データが部分的に独立した安全性シグナルを形成していることを示唆する。例えばセルトラリンでは、多くの有害事象が対応するFDAの記録日より数百日早くコミュニティ来源に出現していた。この発見は、患者コミュニティが場合によっては早期警告システムとして機能する可能性を示している。
来源の追跡可能性を維持するため、研究チームはATC-N、ICD-10、MedDRAといった標準語彙に基づくNeo4j知識グラフを構築した。このグラフは各主張の来源情報を保持し、規制上の事実と患者の体験を明確に分離することで、情報の監査可能性を高める。例えば、システムがユーザーの質問に答える際、「FDAがこの有害事象を記録している」と「患者がコミュニティで同様の体験を報告している」を明確に区別できる。
研究者らは、この来源認識型の統合アプローチが、より監査可能な精神科薬情報への道を開くと結論付けているが、その実用性と患者への利益は前向き研究によって検証される必要がある。本論文は2026年6月24日にarXivに投稿され、人工知能（cs.AI）分野に属する。今後の課題として、臨床環境でのシステムの有効性検証や、より多くの薬剤カテゴリーへの拡張が考えられる。