電子健康記録における文書不整合の自動検出に向けて
本研究では、汎用大規模言語モデル（LLM）を用いた2段階パイプラインにより、退院サマリーの内部不整合を自動検出する手法を提案。3000件のMIMIC-IV-Note退院サマリーに適用したところ、3460件の候補不整合が検出され、入院の69.7%に影響。専門家レビューにより、時間的推論や診断経過の文脈が必要な場合などに失敗モードが明らかになった。厳密な矛盾と曖昧性をカバーする段階的オントロジーを提案し、今後の大規模EHR不整合分析の基礎を確立。
電子健康記録（EHR）内の文書不整合は、臨床推論や患者安全に深刻な影響を及ぼす可能性がある。最近の研究では、汎用大規模言語モデル（LLM）を用いて退院サマリーの内部不整合を自動検出する手法が探求された。本研究はJian Lu、Panyu Chen、Miriam Treggiari、Robert Blessing、Danyang Zhuo、Chunhua Weng、William W. Stead、Anru R. Zhangによって行われ、arXivプレプリント（arXiv:2607.22954）に掲載された。
研究チームは2段階のLLMパイプラインを設計した。第1段階ではGemini 2.5 Proモデルを使用してオープンエンドな不整合候補を特定し、第2段階ではGemini 2.5 Flashモデルを使用して文脈に基づく検証を行った。このパイプラインをMIMIC-IV-Noteデータベースから無作為抽出した3000件の退院サマリーに適用した。
結果は注目に値する。パイプラインは合計3460件の不整合候補を検出し、入院記録の69.7%に影響を及ぼしていた。不整合は人口統計情報、アレルギー、手術経過、診断、検査、投薬、ケア計画など多岐にわたる領域で見られた。それぞれの領域において、不整合は臨床推論の正確性や患者安全に直接関わるものであった。例えば、人口統計情報の矛盾は患者識別ミスにつながり、投薬の不整合は投薬ミスを引き起こす可能性がある。
パイプラインの信頼性をさらに評価するため、臨床専門家による手動レビューが実施された。その結果、特に時間的推論、疾患の経過を理解する文脈、外来処方の慣行に関する知識が必要な場面で、モデルが苦手とする反復的な失敗モードが明らかになった。これらの失敗モードは、現在のLLMが臨床文書分析において抱える限界を示している。
考察では、検出が高度に文脈依存であることが強調されている。多くの矛盾と判定されたステートメントペアは、各記述をそのソースセクションと臨床領域に紐付け、その矛盾が真の矛盾なのか文脈の欠如なのかを判断する必要がある。そこで著者らは、厳密な矛盾から曖昧性までをカバーする段階的オントロジーを提案し、各事例をカテゴリ、セクション、領域、不整合軸によって特徴付けるスキーマを提示した。
本研究は形成的な研究として、今後の検証済み大規模EHR不整合分析の方法論的基盤と概念的枠組みを確立するものである。今後の研究では、この基盤を活用してより信頼性の高い自動検出ツールを開発し、EHRデータの品質と患者安全の向上に貢献することが期待される。