Can Large Language Models Diagnose Primary Immunodeficiency from Patient-Described Symptoms?

何百万人もの人々にとって、医学的な診断に至る道のりは直線ではなく、長く、混乱に満ちた旅路です。これは特に、症状が漠然としていたり、一般的であったり、あるいは他のものと間違えられやすかったりする希少疾患を持つ人々にとって顕著なことです。近年、こうした人々の多くは、新しい種類の助け手に目を向けています。それは大規模言語モデル（LLM）です。これらは膨大な量のテキストで学習された高度なコンピュータプログラムであり、会話を行い、健康に関する質問に答えることができます。これらは、専門医に会う前に、自分自身の体の異変を理解しようとする人々にとって、頼りになるリソースとなっています。しかし、決定的な疑問が残っています。患者自身が問題を説明しているとき、これらのデジタルツールは本当に患者を理解できるのでしょうか？ その答えは、誰が話しているかに大きく依存します。医師が正確な医学用語を用いて症例を要約する場合、コンピュータは完璧に理解します。しかし、一般の人が痛みや倦に、あるいは繰り返される感染症について日常的な言葉で説明する場合、コンピュータはしばしば迷走してしまいます。

ある研究チームは、専門家の言葉と患者の言葉の間にあるこの溝を検証するため、「原発性免疫不全症」として知られる一連の希少疾患に焦点を当てて調査を行いました。これは、通常は病原体と戦う身体の自然な防御システムが、壊れているか、あるいは欠損している状態を指します。この疾患を持つ人々は非常に頻繁に病気になり、時には入院を必要とする深刻な感染症に見舞われることもあり、自己免疫疾患のような他の合併症のリスクも高いのが特徴です。これらの疾患は希少で複雑であるため、患者は正しい診断を受けるまでに何年も待たされることが多く、その遅れは危険かつ精神的に消耗するものです。この待機期間中、多くの人が答えを求めてチャットボットを利用します。研究者たちは、もし説明が専門家からではなく、患者から直接送られてきた場合、これらのチャットボットが壊れた免疫システムの兆候を察知できるのかどうかを知りたいと考えました。

これを明らかにするために、研究者たちはすでに原発性免疫不全症と診断されている21人の成人のエピソードを集めました。彼らは皆、診断を受けるまで長い遅延を経験していました。チームは、彼らに「何かがおかしいと感じた最初の症状」を記述するよう求めました。研究者たちは、これらの生の、編集されていない記述――躊躇や繰り返し、そして日常的な言葉が含まれたままの状態――をそのまま取り出し、強力な大規模言語モデルに入力しました。彼らは最終的な診断に関する言及をすべて取り除いたため、コンピュータは症状のみに基づいて判断しなければなりませんでした。目的は単純でした。コンピュータは、その患者が原発性免疫不全症である可能性を示唆するか、あるいは少なくとも、免疫系に問題があることを認識できるかどうかという点です。

結果は、専門家の入力と患者の入力の間で、コンピュータのパフォーマンスに極めて大きな差があることを明らかにしました。同じコンピュータモデルを用いた以前の研究では、医師が専門的な医学用語を用いて患者の既往歴を記述した場合、コンピュータは96パーセントのケースで正しく疾患を特定していました。それはほぼ完璧でした。しかし、研究者が患者自身の言葉を用いたとき、コンピュータの性能は劇的に低下しました。原発性免疫不全症を正しく特定できたのは、21件中わずか7件、つまり約3分の1に過ぎませんでした。患者たちは全く同じ病状を説明していたにもかかわらず、コンピュータは大多数のケースにおいて特定の疾患名を挙げることに失敗したのです。

特定の診断名を外したものの、コンピュータが全く役に立たなかったわけではありません。21件中17件において、コンピュータは特定の希少疾患の名前こそ挙げなかったものの、患者が免疫系全般に問題を抱えている可能性を示唆しました。これは重要な発見です。なぜなら、このツールが依然として有用な「シグナル」として機能し得ることを示唆しているからです。自分の症状が単なるストレスやアレルギーによるものだと複数の医師から言われ続けている患者にとって、コンピュータが「免疫系の問題」を示唆することは、専門医を探すきっかけになるかもしれません。しかし、この研究は同時に、コンピュータが他のより一般的な疾患を推測してしまうことも示しました。アレルギーや、大気汚染などの環境要因、あるいは甲状腺の問題のような内分泌系の問題などが頻繁に提示されました。これらは医師が最初に検討する事項ですが、実際に希少な免疫疾患を抱えている人々にとっては、行き止まりとなるものです。

研究者たちは、患者の物語に3つの特定のヒントが含まれている場合に、コンピュータが最も正確に診断を下す傾向があることを見出しました。それは、「幼少期から始まる感染症」、「入院を必要とする非常に深刻な感染症」、あるいは「感染症とは異なる症状（成長不全や消化器系の問題など）」です。患者がこれらの明確で典型的な方法で苦痛を語ったとき、コンピュータは点と点をつなぎ合わせる確率が高まりました。しかし、記述がより微妙であったり、あるいは単に「体調が悪い」といった全般的な感覚に焦ейしていたりすると、コンピュータは苦戦しました。これは根本的な弱点を浮き彫りにしています。つまり、このツールは物語の「語られ方」に対して非常に敏感なのです。医学的な構造化された精密な言語には適応しますが、人々が実際に健康について語る際の、混沌として感情的で多様な表現には対応できません。

研究の著者たちは、これがこれらのツールの安全性や有用性に対する最終的な宣告ではなく、むしろ現在の使われ方に対する警告であることを慎重に述べています。彼らは、今回のテストが「ベストケース・シナリオ」であったと指摘しています。インタビューに応じた患者たちは、すでに診断を受けており、病気の始まりにおける症状を、発症時よりも明確に思い出せている可能性があるからです。もし、明確な回顧的な記述に対してもコンピュータがこれほど低いパフォーマンスを示すのであれば、診断前で何が起きているのか確信が持てない混乱した状態の患者に対しては、さらに成績が悪化する可能性があります。さらに、この研究は、健康な人々に対してコンピュータがどの程度「誤報」を出すかについてはテストしていません。もしこのツールが、あまりにも多くの健康な人々に対して免疫系の問題があるとフラグを立ててしまうならば、医師の業務を圧迫し、真にケアを必要とする人々への診療を遅らせる恐れがあります。

結局のところ、この研究は現代医学における高まりつつある課題を強調しています。より多くの人々が健康に関するガイダンスを求めて人工知能を利用するようになるにつれ、テクノロジーができることと、人々が実際にどのようにそれを利用しているかの間の乖離が、安全上の問題となっています。コンピュータが壊れているのではありません。単に、専門家の言語を理解するように訓練されており、患者の言語を理解するようにできていないだけなのです。診断の長い旅路（オデッセイ）を歩んでいる何百万もの人々にとって、これらのツールの約束は、技術が医療チャートだけでなく、その場にいる「人間」の声に真に耳を傾けられるようになるまで、果たされないまま残されています。進むべき道は、この隔たりを埋めるシステムを構築することであり、患者が自分自身の言葉で苦しみを語ったとき、得られる答えが単なる推測ではなく、必要なケアへと導く信頼できるガイドであることを保証することなのです。