Privacy-Preserving Local Language Models for Longitudinal Data Retrieval in Chronic Dermatologic Disease: Implementation in Pemphigus Patients

技術的概要：天疱瘡における縦断的データ検索のためのプライバシー保護型ローカル言語モデル

問題提起
天疱瘡などの慢性皮膚疾患は、生涯にわたる経過観察を必要とし、その結果、広範で多様な縦断的臨床記録が生成されます。日常診療において、臨床医は管理判断を導くために、異なる医師によって記述された数年にわたる診察ノートを統合する際に、重大な課題に直面しています。現在のところ、部分的なカルテレビューや過去の文書のコピー＆ペーストに依存することは、ばらつきを生み、重要な歴史的詳細（例えば、過去のリツキシマブ曝露、累積的なコルチコステロイド毒性、または重篤な感染症など）を見落とすリスクを高めます。人工知能（AI）や大規模言語モデル（LLM）は臨床要約の可能性を秘めていますが、既存のソリューションは多くの場合クラウドベースの推論に依存しており、患者のプライバシー、データガバナンス、厳格な医療環境での展開可能性に関する懸念を招いています。さらに、ほとんどの研究は短いテキストや合成タスクに焦点を当てており、現実世界の数年にわたる縦断的記録を対象としたものではありません。

方法論
本後方視的症例系列研究は、未加工の皮膚科フォローアップ記録から構造化された臨床特徴を抽出し、縦断的要約を生成するように設計された、完全なローカルかつプライバシー保護型の小規模言語モデル（SLM）システムを評価しました。

• データセット: 本研究は、イスタンブール研究・トレーニング病院で治療を受けた 30 人の天疱瘡患者のデータを利用しました。データセットは、30 人の完全な縦断的記録に集約された 541 件の診察ノート（総語数 89,336 語）で構成されました。手動による要約や前処理は行われず、ノートは病院情報システム（DermaBase）から直接抽出されました。
• グランドトゥルース: 2 人の専門皮膚科医が 56 の臨床的に関連する特徴（カテゴリカル、数値、日付ベース）を注釈付けし、各患者に対して臨床医向けの最終報告書を生成して、グランドトゥルースとして機能させました。
• モデルと展開: システムは、LM Studio を介してワークステーション（RTX 4090、VRAM 24GB、RAM 96GB）にローカル展開されたQwen3 4B Thinking 2507モデルを採用しました。データプライバシーを確保するため、インターネット接続は無効化されました。
• 推論手順:
  • モデルは、各患者の完全な縦断的記録を単一の入力（コンテキスト長 90,000 トークン）として処理しました。
  • 推論は 2 段階で行われました。まず、56 の特定の構造化特徴を抽出し、次に自由テキストの要約レポート（current_status）を生成しました。
  • モデルの医療ドメイン訓練の欠如に対処するため、標準化された定義を必要とする特徴については、最小限の説明的コンテキスト（例えば、骨粗鬆症のための特定の T スコア閾値など）をプロンプトに直接埋め込みました。
  • 安定性を評価するため、推論手順は患者 1 人あたり 10 回繰り返され、合計 16,800 回の推論が行われました。
• 評価:
  • 構造化特徴: 専門家の注釈に対する完全一致精度を用いて評価しました。
  • 自由テキスト要約: 自動指標（BLEU、ROUGE）と、2 人の専門皮膚科医（20 年以上の経験）による二重盲検ヒューマン評価を用いて評価しました。全体的な品質、臨床的精度、有用性について 10 点リッカート尺度で評価しました。

主要な結果

• 特徴抽出: システムは、1,680 の特徴抽出タスク全体で平均精度**82.25%**を達成しました。性能はデータタイプによって変動しました。
  • カテゴリカル特徴:86.34%
  • 日付ベースの特徴:80.56%
  • 数値特徴:70.61%（誤りは主に粗大な誤分類ではなく、不正確な抽出に関連していました）。
• レポート生成:
  • 自動テキスト類似度スコアは中程度でした（BLEU: 0.36; ROUGE-1: 0.52）。モデル生成レポートは、追加の説明的コメントにより、グランドトゥルースレポートよりも約 107% 長くなりました。
  • 専門家評価: 皮膚科医は AI 生成の要約を高く評価しました。
    • 全体的な品質:8.23 – 8.47
    • 臨床的精度:7.93 – 8.20
    • 臨床的有用性:8.47 – 8.50
  • 選好: 評価の 53.3%（32/60）において、専門家は臨床医が作成したグランドトゥルースよりも AI 生成レポートを好みました。
• 性能: システムは好ましい推論速度（約 130 トークン/秒）を示し、ほぼリアルタイムの臨床利用を支援しました。

主要な貢献

1. プライバシー保護実装: 本研究は、データが病院インフラから外部に出ることなく、機密性の高い数年にわたる患者記録を処理するために、能力のある SLM を完全にローカル（オフライン）で展開する可行性を実証しました。
2. 縦断的統合: 単一の診察ノートに焦点を当てた先行研究とは異なり、本研究は、構造化データを抽出し、一貫性のある要約を生成するために、SLM が数年にわたる多様な臨床ナラティブを統合する能力を検証しました。
3. 現実世界評価: 評価には、病院システムから直接取得した未加工の非構造化臨床ノートが使用され、不整合な文書化、ハルシネーションのリスク、臨床的曖昧さ（例えば、「疑い」と「確定」診断の区別など）に対処するためのプロンプト調整の必要性など、現実世界の課題を捉えました。
4. タスク固有のモデル動作: 知見は、Qwen3 の「Thinking」モデルが厳密な構造化抽出よりもナラティブの統合やレポート生成に適していることを浮き彫りにしており、モデルの選択は特定の臨床ワークフローによって駆動されるべきであることを示唆しています。

意義と主張
本論文は、プライバシー保護型でローカルに展開された SLM が、臨床的に意味のある縦断的要約を信頼性高く生成でき、特定の評価においては、選好や有用性の面で人間专家を上回るか同等のパフォーマンスを発揮し得ると主張しています。著者らは、これらのシステムを自律的な意思決定者ではなく、日常の経過観察中に臨床医の作業負担と認知的負荷を軽減するための支援ツールとして位置づけています。

本研究は、ローカル LM が縦断的データ検索において有望であることを示唆していますが、その現実世界での展開には、ハルシネーションを緩和し、文書化の不一致に対処するための慎重なプロンプトエンジニアリングが必要であると結論付けています。今後の研究は、作業負担軽減の前方視的評価、他の慢性疾患への拡大、および事実性をさらに向上させるための検索拡張生成（RAG）の統合に焦点を当てることが提案されています。著者らは、単一センター設計や疾患の希少性といった限界を認め、より広範な検証のために大規模な多センターデータセットが必要であるという控えめな立場を維持しています。