AI医療。AI診療。LLMベースの対話型医療診断システム

医師と患者さんの対話は、効果的で思いやりのあるケアの基本です。
医学的インタビューは、「医師にとって最も大切で、繊細で、最も用途の広いツール」と考えられています。
それは、信頼関係を築き、健康ニーズに対処するためのツールとなり、患者が自分の好み、期待、懸念を考慮した情報に基づいた
決定を下すことを可能にする複雑な相互作用です。臨床医は、臨床的病歴の取り方と広範な「診断的対話」において considerable なスキルを持っていますが、この専門知識へのアクセスは、エピソード的で世界的に不足しています。

汎用大規模言語モデル（LLM）の最近の進歩により、人工知能（AI）システムは、自然な会話をするために計画、推論、関連するコンテキストを組み込む能力があることが示されています。この進歩により、医学におけるAIの可能性を再考し、完全にインタラクティブな会話型AIの開発が可能になりました。このような医療AIシステムは、臨床言語を理解し、不確実性下でインテリジェントに情報を取得し、患者や関わる人と
自然で診断的に有用な医療会話をすることができます。臨床的および診断的対話が可能なAIシステムの潜在的な現実世界での有用性は広範囲にわたります。このような能力の開発により、診断および予後に関する専門知識へのアクセスが改善され、ケアの質、一貫性、可用性が向上し
ヘルスケア格差に直面する人口の健康アウトカムが改善される可能性があります。

医師と患者の対話は、医療の中心であり、診察は、正確な診断、効果的な治療、永続的な信頼の基盤となります。
診断的対話が可能なAIシステムは、アクセス、一貫性、およびケアの質を向上させる可能性があります。
しかし、臨床医の専門知識を近似することは、大きな課題です。
この論文では、AMIEと呼ばれるLLMベースのAIシステムを紹介します。
AMIEは、多様な疾患、専門分野、コンテキストにわたって学習をスケーリングするための、新しい自己プレイベースの
シミュレートされた環境と、自動フィードバックメカニズムを使用します。
AMIEは、歴史的記録、診断的正確性、管理的推論、コミュニケーションスキル、共感を含む、臨床的に意味のある性能軸を評価するための
フレームワークを設計しました。AMIEのパフォーマンスは、カナダ、英国、インドの臨床提供者からの149の症例シナリオ
20人のプライマリケア医（PCP）との比較、専門医と患者の俳優による評価に基づいて、テキストベースのコンサルテーションでPCPと
比較されました。AMIEは、専門医による32軸のうち28軸で、患者の俳優による26軸のうち24軸で
より高い診断的正確性と優れたパフォーマンスを示しました。

この研究にはいくつかの制限があり、適切な注意を払って解釈する必要があります。臨床医は、通常の臨床 practice とは異なる
不慣れな同期テキストチャットのみを使用できました。AMIEを現実世界に移行するにはさらなる研究が必要ですが
この結果は、会話型診断AIに向けたマイルストーンを表しています。

医師と患者さんの対話は
効果的で思いやりのあるケアの基本です。
医学的インタビューは、「医師にとって最も大切で
繊細で、最も用途の広いツール」と考えられています。
それは、信頼関係を築き
健康ニーズに対処するためのツールとなり
患者が自分の好み、期待、懸念を考慮した情報に基づいた
決定を下すことを可能にする複雑な相互作用です。
臨床医は、臨床的病歴の取り方と広範な
「診断的対話」において
considerable なスキルを持っていますが
この専門知識へのアクセスは
エピソード的で世界的に不足しています。
汎用大規模言語モデル（LLM）の最近の進歩により
人工知能（AI）システムは、自然な会話をするために
計画、推論、関連するコンテキストを
組み込む能力があることが示されています。
この進歩により、医学におけるAIの可能性を再考し
完全にインタラクティブな
会話型AIの開発が可能になりました。
このような医療AIシステムは、臨床言語を理解し
不確実性下でインテリジェントに情報を取得し
患者や関わる人と自然で診断的に
有用な医療会話をすることができます。
臨床的および診断的対話が可能な
AIシステムの潜在的な現実世界での
有用性は広範囲にわたります。
このような能力の開発により
診断および予後に関する
専門知識へのアクセスが改善され
ケアの質、一貫性、可用性が向上し
ヘルスケア格差に直面する
人口の健康アウトカムが改善される可能性があります。

医師と患者の対話は、医療の中心であり
診察は、正確な診断、効果的な治療
永続的な信頼の基盤となります。
診断的対話が可能なAIシステムは
アクセス、一貫性、およびケアの質を
向上させる可能性があります。
しかし、臨床医の専門知識を
近似することは、大きな課題です。
この論文では、AMIEと呼ばれる
LLMベースのAIシステムを紹介します。
AMIEは、多様な疾患、専門分野
コンテキストにわたって学習を
スケーリングするための
新しい自己プレイベースの
シミュレートされた環境と
自動フィードバックメカニズムを使用します。
AMIEは、歴史的記録、診断的正確性
管理的推論、コミュニケーションスキル
共感を含む、臨床的に意味のある性能軸を評価するための
フレームワークを設計しました。
AMIEのパフォーマンスは
カナダ、英国、インドの臨床提供者からの
149の症例シナリオ
20人のプライマリケア医（PCP）との
比較、専門医と患者の俳優による
評価に基づいて、テキストベースの
コンサルテーションでPCPと
比較されました。AMIEは
専門医による32軸のうち28軸で
患者の俳優による26軸のうち24軸で
より高い診断的正確性と
優れたパフォーマンスを示しました。

この研究にはいくつかの制限があり
適切な注意を払って解釈する必要があります。
臨床医は、通常の臨床 practice とは異なる
不慣れな同期テキストチャットのみを
使用できました。
AMIEを現実世界に移行するには
さらなる研究が必要ですが
この結果は、会話型診断AIに向けた
マイルストーンを表しています。

タイトル: 対話型診断AIに向けて
著者: Tao Tu、Anil Palepu、Mike Schaekermann、Khaled Saab、Jan Freyberg、Ryutaro Tanno、Amy Wang、Brenna Li、Mohamed Amin、Nenad Tomasev、Shekoofeh Azizi、Karan Singhal、Yong Cheng、Le Hou、Albert Webson、Kavita Kulkarni、S. Sara Mahdavi、Christopher Semturs、Juraj Gottweis、Joelle Barral、Katherine Chou、Greg S. Corrado、Yossi Matias、Alan Karthikesalingam、Vivek Natarajan

詳しくは下記リンクより。