PATHFinder Agent for Tailored Prenatal Care

技術要約：個別化された産前ケアのための PATHFinder エージェント

問題提起
産前ケアは極めて重要な予防的サービスであるが、従来の12〜14回の対面診療モデルは、患者のケアへのアクセスを妨げる社会的健康決定要因（例：住居の不安定さ、柔軟性のない労働環境）に対処できないことが多い。さらに、アメリカ産科医学院（ACOG）は、柔軟で患者固有のケアプランを提唱する新しいガイドライン「PATH（Plan for Appropriate Tailored Healthcare）」を導入している。しかし、PATHの実装は臨床医と患者の双方にとって複雑である。臨床医は、不十分なリソースの中で未充足の社会的ニーズに対処することによる燃え尽き症候群に直面しており、一方で社会的障壁を持つ患者は、追加の受診が助けとなるどころか負担に感じることがある。したがって、これらの個別化されたガイドラインを運用し、社会的リソースのマッチングを統合し、かつ医療従事者に過度な負担をかけずに臨床的な監督を維持できるシステムが必要とされている。

手法およびシステム設計
著者らは、患者のコンテキストを収集し、個別化されたケアプランを合成し、コミュニティのリソースを提示するように設計された、エンドツーエンドの会話型エージェントシステムである PATHFinder Agent を提案している。このシステムは、臨床的妥当性と技術的実現可能性を確保するため、専門の産科医、助産師、およびコンピュータサイエンティストによって共同設計されている。

• アーキテクチャ: システムは、FastAPI バックエンドと通信する React フロントエンドを利用している。コアとなるエージェントは、大規模言語モデル（LLM）に、ツール実行器、監視分類器、FHIR サービス、およびレポート生成器を組み合わせたものである。会話の状態はリレーショナルデータベースに保存される。
• ツールスイート: エージェントには、4つのカテゴリにわたる13のツールが備わっている。
  • 医療関連: TOLAC（帝王切開後の経膣分娩）計算機および「臨床医への委譲」アクションを含む。
  • 社会的ニーズ: 階層的なインターフェースを通じて、サブカテゴリおよび郵便番号（ZIPコード）に基づき、Michigan 211 のリソース（食料、住居、交通手段など）を照会する。
  • パーソナライゼーション: 二次的な LLM を参照し、コンテキストに応じたフォローアップ質問を生成する。
  • レポート作成: 患者向けサマリー、臨床サマリー、受診スケジュール、およびリソースリストを段階的に構築する。
• 4段階のワークフロー:
  1. インテーク（情報収集）: 患者は、デモグラフィック、病歴、妊娠週数、および社会的要因を把握するための標準化されたフォームを完了する。
  2. 動的なインタラクション: エージェントは構造化されたオープンエンドな対話を行う。「Form+Chat」インターフェースを使用し、二次的な LLM が中間的な UI 要素（ボタン、チェックボックス）を生成することで、テキスト入力による疲労を軽減しつつ、未充足の社会的ニーズや好みを引き出す。
  3. プランの合成: エージェントは、患者向けの要約、臨床的要約、受診スケジュールの推奨事項、および厳選された Michigan 211 リソースを含むドラフトレポートを生成する。
  4. 臨床医による監督: 臨床医がドラフトをレビューし、プランを検証し、内容を承認または編集してから最終確定を行う。

評価および結果
著者らは、合成患者プロファイルと専門家によるキュレートされたルーブリックを用いて、最先端の LLM（GPT-5.2、GPT-4o、Gemini 2.5 Pro、Gemini 2.5 Flash）を評価した。評価は、以下の5つの臨床的次元に焦点を当てて行われた：

1. 受診頻度
2. サービス（検査、推奨事項）
3. 妊婦健診における検査のタイミング
4. 成長超音波のタイミング
5. 診療形態（対面 vs テレヘルス）

主な知見:

• パフォーマンス: GPT-5.2 が平均ルーブリックスコア 77.6% で最高値を記録し、次いで Gemini 2.5 Pro (71.5%)、Gemini 2.5 Flash (62.0%)、GPT-4o (57.25%) となった。
• 次元間の差異: 「受診頻度」はすべてのモデルにとって最も正確に予測しやすい次元であった。逆に、「妊婦健診における検査」と「サービスの推奨」は最も困難な次元であり、モデル間で最も大きな性能差が見られた。
• 示唆: 結果は、現在のモデルには有望な側面があるものの、重要な臨床的推奨事項におけるエラーを防ぐためには、強固な監督措置（LLM ベースおよび人間による駆動の両方）が不可欠であることを示している。

主要な貢献

1. PATHFinder Agent: ACOG の PATH ガイドラインを運用し、医学的ガイドラインと社会的リソースの統合の架け橋となる、新しいエージェント型システム。
2. ハイブリッド・インターフェース設計: 構造化されたデータ収集と適応的な会話によるフォローアップのバランスを取った「Form+Chat」型のインタラクションモデルであり、患者の疲労を軽減するように設計されている。
3. 臨床医・イン・ザ・ループのワークフロー: 生成されたすべてのケアプランが人間の検証を経ることを保証する構造化された4段階のプロセスであり、近年の医学 AI 文献で提起されている安全性と展開に関する懸念に対処している。
4. 実証的なベンチマーク: 特定の産前ケアの次元に関する最先端の LLM の比較評価を行い、複雑な医学的推論における現在の能力と限界を明らかにしている。

意義および主張
本論文は、PATHFinder Agent を、個別化された産前ケアガイドラインの広範な展開を可能にする潜在的な手段として位置づけている。著者らは、本システムが、硬直的で受診回数の多いモデルから、医学的および社会的決定要因の両方に対処する柔軟で患者中心のアプローチへの移行を支援できると主張している。

著者らは、展開に関して慎重な姿勢を維持している。彼らは、本システムは臨床医に取って代わるものではなく、支援するためのものであると明示している。論文では、システムを実際の臨床現場に展開する前に、安全性と有効性を確保するために、正式な正確性の保証、ヒト参加者研究、およびランダム化比較試験が必要であることを強調している。現在の貢献は、技術的なプロトタイプおよび、安全性と有効性を確保するために対処すべき主要なギャップ（特に妊婦健診における検査の推奨事項）を特定するための評価フレームワークとして位置づけられている。