HealthRecordCommunity
FHIR🌏 International整理済

FHIRデータ形式のシリアル化戦略がLLMによる服薬調整に与える影響を検証

[论文评述] Serialisation Strategy Matters: How FHIR Data Format Affects LLM Medication ...

2026年4月25日

サマリー

本研究は、医療交接時の薬剤調解タスクにおいて、FHIR規格準拠の患者記録データを大型言語モデル(LLM)に入力する際の異なる序列化戦略の影響を比較した。その結果、使用するモデルやデータ量によって最適な入力形式が異なり、特に召回率の確保が重要であることが示された。

詳細

本研究は、FHIR R4に準拠した200名の合成患者データを基に、LLMを用いた薬剤調解(Medication Reconciliation)タスクの性能を系統的に比較検証した。課題として、医療交接時の服薬情報管理は高リスクであり、LLMによる支援が期待されている。 研究では、FHIRデータから以下の4つの序列化戦略を用いてテキストを生成し、5種類のオープンウェイトモデル(Phi-3.5-miniなど)で評価した。①Raw JSON (基線)、②Markdown Table、③Clinical Narrative、④Chronological Timelineである。特に「Clinical Narrative」は、アクティブな薬剤と履歴の区分けを明示することで性能向上を示し、8Bクラスのモデルでは最も推奨される形式であった。 一方、70Bのような大規模モデルではRaw JSONがわずかに優位性を見せた。また、どの戦略においても、LLMの失敗パターンは「幻覚(Hallucination)」ではなく「遺漏(Omission)」であり、これは臨床安全監査においてシステムの完全性がより重要であることを示唆している。 さらに、本研究は、単なる領域事前学習だけでは構造化抽出タスクを完了できず、指令追従能力が不可欠であることを実証した。結論として、LLMの臨床応用においては、最適なデータ形式(シリアル化戦略)の選択と、召回率重視のアプローチが極めて重要である。

📰
原文を読む
themoonlight.io
→

Original content copyright by respective publishers