[論文レビュー] Personalizing Prostate Cancer Education for Patients Using an EHR-Integrated LLM Agent

Yuexing Hao, Jason Holmes+11 more|arXiv (Cornell University)|Sep 27, 2024

Artificial Intelligence in Healthcare and EducationMedicine被引用数 3

ひとこと要約

本論文では、電子歴史記録（EHR）に統合された、エキスパート・イン・ザ・ループのLLM駆動型チャットボットであるMedEduChatを提示する。このチャットボットは、患者固有の電子的健康記録データを活用して、パーソナライズされ、準構造的な前立腺がん教育を提供する。患者、臨床医、AI専門家とともに共同で設計された本チャットボットは、使いやすさの研究を通じて、アクセス性と患者の関与を向上させ、LLMを用いた患者中心の腫瘍学教育における人間とAIの協働の原則を強固に守った実現可能性を示している。

ABSTRACT

Cancer patients often lack timely education and personalized support due to clinician workload. This quality improvement study develops and evaluates a Large Language Model (LLM) agent, MedEduChat, which is integrated with the clinic's electronic health records (EHR) and designed to enhance prostate cancer patient education. Fifteen non-metastatic prostate cancer patients and three clinicians recruited from the Mayo Clinic interacted with the agent between May 2024 and April 2025. Findings showed that MedEduChat has a high usability score (UMUX 83.7 out of 100) and improves patients' health confidence (Health Confidence Score rose from 9.9 to 13.9). Clinicians evaluated the patient-chat interaction history and rated MedEduChat as highly correct (2.9 out of 3), complete (2.7 out of 3), and safe (2.7 out of 3), with moderate personalization (2.3 out of 3). This study highlights the potential of LLM agents to improve patient engagement and health education.

研究の動機と目的

• 限られた臨床時間と低い健康リテラシーの影響により、前立腺がん患者に対するタイムリーでパーソナライズされた教育のギャップを解消すること。
• 電子的健康記録（EHR）に統合され、リアルタイムでカスタマイズされた教育を提供できる、スケーラブルで安全かつ患者中心のLLMベースのチャットボットを開発すること。
• 臨床的関連性、使いやすさ、倫理的整合性を保証するため、患者、臨床医、AI研究者を含む共同設計フレームワークを確立すること。
• 実際の患者と臨床医を対象とした使いやすさテストを通じて、チャットボットの有効性が患者の理解力と関与度をどのように向上させるかを評価すること。
• LLMを臨床的患者教育に導入する際の実用的限界と設計原則を定義すること。安全性、正確性、アクセス性に重点を置く。

提案手法

• 既存のeラーニングモジュールを用いて前立腺がん患者を対象にニーズ評価調査を実施し、教育的ギャップと課題を同定した。
• 患者、臨床医、AI専門家を含む共同設計プロセスを採用し、チャットボットの構造、トーン、機能を段階的に整えた。
• 正確性と安全性を確保するため、前立腺がんに特化した、根拠に基づいたコンテンツに制限された閉域ドメインで微調整されたLLM（ChatGPT-4）を基盤にMedEduChatを構築した。
• 患者固有のデータ（診断ステージや治療計画など）に基づいたパーソナライズされた応答を可能にするために、電子的健康記録（EHR）と統合した。
• 過剰な負担を避け、段階的に重要な教育的トピックをカバーできるように、準構造的で会話形式の対話を設計した。
• 7名の患者と3名の臨床医を対象に使いやすさ研究を実施し、質的フィードバックと専門家レビューを用いて応答の質、明確さ、実用的価値を評価した。

実験結果

リサーチクエスチョン

• RQ1 現在の前立腺がん患者教育における主な課題、特にアクセス性、パーソナライズ、情報過多の観点から何が挙げられるか？
• RQ2 患者、臨床医、AI専門家を含む共同設計プロセスが、より効果的で信頼性の高いLLMベースの教育ツールを生み出すにはどのように寄与するか？
• RQ3 LLM駆動のチャットボットは、標準的なeラーニングモジュールと比較して、前立腺がん教育における患者の理解力と関与度をどの程度向上させるか？
• RQ4 特に正確性、バイアス低減、患者の安全性の観点から、LLMを臨床的患者教育に導入する際の実用的・倫理的限界は何か？

主な発見

• 患者は、治療法や副作用の観点で、標準的なeラーニングモジュールよりも明確でパーソナライズされた説明が得られると報告した。
• 臨床医は、チャットボットの応答が臨床的に正確で、体系的に整理されており、最新のガイドラインと整合しており、幻覚や誤情報の発生が最小限に抑えられていると評価した。
• 共同設計プロセスにより、専門用語の回避、文脈に応じた回答、感情的な配慮の確保といった、重要な使いやすさと安全性要件が同定された。
• EHRデータとの統合により、治療ステージや合併症といった患者固有の要因に基づいた、カスタマイズされた応答が可能になった。
• サンプルの多様性に制限はあったが、教育的背景が異なる患者がチャットボットを容易にアクセス可能で関与しやすいと感じており、広範な適用可能性が示唆された。
• 本研究は、認知的負荷、言語のアクセス性、英語話者でない患者や健康リテラシーが低い患者における使いやすさに関する今後の研究の必要性を浮き彫りにした。