言語モデルを電子カルテと生物医学的知識グラフに接続し、実世界エビデンスを生成するエージェンティックAIフレームワーク
An agentic AI framework connecting language models to electronic health records and a biomedical knowledge graph for real-world evidence
本研究では、大規模臨床・生物医学データベースへのアクセスを容易にするため、エージェンティックAIフレームワークを開発した。このフレームワークは、大規模言語モデル(LLM)が人間による監督下で多段階の推論とクエリ実行を調整する。具体的には、観測医療成果パートナーシップ(OMOP)標準化された電子カルテ(EHR)データベース(700万人超の被験者)と、専門家管理リソースから生物医学的概念の関係を統合した知識グラフ「SPOKE」を、単一のエージェンティックワークフローに統合した(MedCP)。この実装を用いて、100件のベンチマーク臨床研究タスク、617件の生物医学的事実正確性質問(BiomixQA)、臨床的共起と分子類似性をリンクする統合ケーススタディ、および実世界研究を生成・再現するための標準化プロトコルを評価した。結果として、知識グラフへのアクセスはGPT-5.5とClaude Opusのスコアを向上させ、BiomixQAでは両モデルの多肢選択問題の正答率を向上させた。ケーススタディでは、EHRから抽出された疾患共起パターンが分子ネットワーク類似性と相関し、実世界データからメカニズム仮説を提示した。公開された観察研究の再現に適用したところ、研究プロトコルはタイムラインを数ヶ月から数時間に短縮し、クエリ生成と実行の技術的障壁を下げた。このエージェンティックAIインフラストラクチャは、実世界エビデンスのための透明でドメインに根ざした、監督付き研究アシスタントとして機能し、仮説生成と検証の両方をサポートする。
- 大規模言語モデルをOMOP標準化EHRデータベース(700万人超の被験者)と知識グラフSPOKEに接続するエージェンティックAIフレームワーク「MedCP」を開発・評価した。
- 知識グラフへのアクセスによりGPT-5.5とClaude OpusのBiomixQA多肢選択問題のスコアが向上した。
- 公開された観察研究の再現に適用したところ、研究タイムラインを数ヶ月から数時間に短縮した。
LLMを電子カルテ(EHR)と生物医学知識グラフに接続するエージェンティックAI研究で、臨床研究のタイムラインを数ヶ月から数時間に短縮可能と報告されている点は注目に値する。実世界エビデンス(RWE)生成の自動化は、製薬・ヘルスケア領域でのAI活用市場の拡大を示唆しており、医療AI分野への投資判断材料となる。