技術要約：聴覚ケアにおける大規模言語モデル（LLM）

問題提起

大規模言語モデル（LLM）は一般的なヘルスケア分野で有望視されているが、聴覚ケアにおける具体的な有用性、安全性、および臨床的インパクトについては依然として不明である。既存のレビューの多くは、LLMをより広範な人工知能（機械学習、ディープラーニング、信号処理など）と混同しているか、あるいは耳鼻咽喉科（ENT）の意思決定支援に限定して焦点を当てており、聴覚ケアの全プロセスをマッピングできていない。ベンチマーク性能（例：医学的な質問への回答）と、確立された臨床的利益（例：患者のアウトカム向上、ワークフローへの統合、または安全性）との間には、決定的なギャップが存在する。さらに、現在の文献には、プロスペクティブなサービス展開、比較臨床インパクト研究、あるいは技術的なプライバシー保護策や公平性の厳格な評価が欠けている。聴覚ケアのデータ（聴力図、遺伝データ、騒音下での音声応答など）の異質性と、ユーザー層の多様性（リテラシーやテクノロジーに関する障壁を持つ高齢者を含む）を考慮すると、LLMが静的な質問回答を超えて、定義された聴覚ケアのニーズに対処できるかどうかを判断するための、特定のエビデンスマップが必要である。

方法論

著者らは、ジョアナ・ブリッグス研究所（JBI）のメソッドに基づき、PRISML-ScRガイドラインに従ってスコーピング・レビューを実施した。

• 検索戦略: 2022年から2026年9月までの期間を対象とし、8つのデータベース（PubMed, Embase, Web of Science, IEEE Xplore, Scopus, APA PsycInfo, CINAHL, ACM Digital Library）を用いて検索を行った。
• 適格基準:
  • 対象（Population）: 聴覚ケア（予防、スクリーニング、アセスメント、医学的・外科的管理、リハビリテーション、デバイスサポート）に関連する患者、専門家、または研究データ。
  • 概念（Concept）: LLMが中心的な役割を果たす（生成、変換、スコアリング、または聴覚関連の入力/出力の分析を行う）識別可能なLLMまたはLLM搭載システム。
  • 除外基準: LLMが背景ツールとしてのみ使用されている研究、聴覚成分を分離できない一般的なENT研究、前庭機能のみに関する報告、および適格な公開版のないプレプリント。
• データ抽出および分類: 2名の独立したレビュアーがレコードのスクリーニングとデータ抽出を行った。本レビューでは、主要な研究の役割（例：ベンチマーク、プロトタイプ、調査）と、実装コンテキスト（静的なベンチマークからプロスペクティブなサービス・パイロットまで）を区別した。
• 分析: 含まれた110のレポートを95の経験的分析ユニットにマッピングした。出版プロファイル、実装コンテキスト、報告の完全性（プロンプト、安全性、プライバシー）、および特定のアプリケーション領域を分析した。聴覚に特化した研究を分離し、会議論文のみのプロシーディングを除外するために、感度分析を行った。

主な貢献

1. 聴覚ケアにおけるLLMのエビデンスマップ: 本レビューは、聴覚ケアの継続的なプロセスに特化したLLMの応用を、技術的能力とサービス実装を分離して包括的にマッピングした初めての調査である。
2. 分類フレームワーク: 「研究の役割」（例：ベンチマーク vs プロトタイプ）を「実装コンテキスト」（M0–M5）から明確に区別する独自の分類システムを導入し、実データを用いたベンチマークモデルが、必ずしも展開された臨床アプリケーションと同等ではないことを明確にした。
3. 評価のギャップの特定: 現在のエビデンスはタスク固有の能力を支持してはいるものの、ケア、安全性、またはワークフローの改善を実証できていないことを系統的に特定した。プロスペクティブなサービス・パイロットや比較臨床インパクト研究の欠如を強調している。
4. 提案される評価要件: 今後の研究を導くために、DECIDE-AIガイドラインに沿った4つのエビデンスに基づく問い（システムの同一性、代表的データに対する妥当性、安全なユーザーインタラクション、およびケアへの影響）を提案している。

結果

出版および範囲のプロファイル

• ボリューム: 110のレポートから95の経験的分析ユニットが得られた。
• 傾向: アプリケーション指向の研究は年々増加している（2024年：27.3%、2025年：31.0%、2026年：37.2%）が、大部分の研究は依然として静的なベンチマークである。
• 支配的なモデル: OpenAIファミリーのモデルが81.1%の経験的ユニットに登場し、Googleファミリーのモデルが34.7%であった。
• 報告の欠落: モデルのバリアントは71.6%のユニットで特定されていたが、アクセス/実行日は50.0%のみ、完全なプロンプトは59.1%のみが報告されていた。

実装コンテキスト

• 静的ベンチマーク (M1): 49ユニット（51.6%）は静的ベンチマークであり、主に患者情報、専門知識、および臨床推論に焦点を当てていた。
• タスク特化型/実データ (M2): 30ユニット（31.6%）は、ルーチンケア以外のタスク（例：騒音下での音声のスコアリング、ノートのコーディング）を評価していた。
• プロトタイプ/ターゲットユーザー (M3): 14ユニット（14.7%）は、プロトタイプまたはターゲットユーザーを評価していた。
• プロスペクティブ/比較 (M4/M5): プロスペクティブなサービス・パイロットまたは比較的な臨床/サービスインパクトを評価したユニットはゼロ（0%）であった。

アプリケーション領域

1. アセスメント・スコアリング: LLMは、騒音下での音声トランスクリプトや多言語のリコールにおいて、人間のスコアリングと高い相関を示したが、診断のカットオフ値に対する妥当性や、難聴人口における信頼性の検証は欠けていた。
2. 臨床文書作成およびコーディング: 手術記録の簡略化やコーディングに関する研究では、精度にばらつきが見られた。一部のモデルは重大な修飾子を見落としており、請求漏れにつながる可能性がある。人間による検証が引き続き必要である。
3. リハビリテーションおよびコンテンツ: アプリケーションには、患者教育資料の生成、人工内耳ユーザーのための音声合成、および心理社会的サポート（例：作曲）が含まれる。小規模なプロトタイプではユーザーのエンゲージメントが認められたが、リスニング能力の向上や持続的な臨床的利益を実証した研究はなかった。
4. 生物医学的エビデンス処理: LLMは遺伝子変異の解釈や文献抽出に使用された。一部のパイプラインは仮説生成をサポートしていたが、LLMの寄与（例：AUROCの増加分0.011）は極めて限定的であったか、あるいは分離されていなかった。
5. 心理社会的サポート: 人工内耳ユーザーを対象とした小規模な研究では、AIによる作曲支援に対する満足度が報告されたが、ユーザーへのプレッシャーや、確立された治療的有効性の欠如についても指摘されている。

安全性、プライバシー、および公平性

• 安全性: 明示的な安全性またはエラーの評価が報告されていたのは、ユニットの45.3%のみであった。
• プライバシー: プライバシーに関する態度の評価は3.2%のユニットのみであり、技術的なプライバシー保護策（例：プロンプトインジェクション、データ漏洩）をテストした研究は皆無であった。
• 公平性: 公平性や公正性の分析を事前に規定したユニットは存在しなかった（0/95）。言語固有のエビデンスも一貫して報告されていない。

意義および主張

本論文は、現在のエビデンスは選択されたタスク固有の能力（読みやすいテキストの生成やトランスクリプトのスコアリングなど）を支持してはいるが、聴覚ケアにおける確立された改善を支持するものではないと主張している。著者らは、ベンチマークの性能は臨床的な能力を意味しないことを強調している。

本レビューは、今後の研究が静的なモデル評価から、以下の事項に対処するアプリケーション指向の研究へと移行すべきであると主張している：

1. 定義された聴覚ケアのボトルネック（例：トリアージ、デバイスのトラブルシューティング、リハビリテーション支援）に対処すること。
2. LLMを活用したワークフローを、通常のケアや、より単純で透明性の高い代替案と比較すること。
3. 回答の正確性だけでなく、患者の理解度、安全性、プライバシー、アクセシビリティ、ワークロード、およびコストを含むアウトカムを評価すること。
4. 再現性を確保するために、システム構成（プロンプト、バージョン、検索ツール）を厳格に報告すること。

著者らは、LLMはアクセシブルな情報提供やサポートの可能性を秘めているものの、その展開には安全性、公平性、および患者や専門家に対する具体的な利益のエビデンスが必要であるが、それらは現在の文献には存在しないと結論づけている。