2026年8月12日（水）の Dose

4本（論文4）

論文臨床意思決定支援注目

救急ICUの診断で、専門特化型LLMと汎用LLM3種の正答率を比較したという論文。

EICU患者184例を対象に、初期24時間分と入院全経過の2種類のデータで、集中治療医3名の合議診断と照合するレトロスペクティブ研究
最終診断の正答率は専門特化型Qiyuanが64.1%、GPT-5.1が59.2%、DeepSeek V3.1が57.1%、Qwen3-32Bが51.6%だった（P<.001）
うまくいかなかった点として、全モデルの正答率が70%未満にとどまり、敗血症など疾患別の精度にもばらつきが見られた

出典：J Med Internet Res ／ Critical Care-Specific vs General-Purpose Large Language Models in Emergency Intensive Care Unit Diagnosis: Single-Center Retrospective Paired Comparative Study.

サトシ

専門特化しても汎用LLMと大差ない。結局どのモデルも7割に届かないという事実の方が大事だ

論文画像診断AI 注目

胸部画像診断でLLMの提案をどう取捨選択するかを決める要因を調べたという論文。

読影医10人が胸部画像100症例を、LLM支援なしと、正答率76%または27%に調整したGPT-5/GPT-4oの支援ありで読影した
モデルの確信度が高いほど（OR3.82）、読影医の熟練度が高いほど（OR2.06）、適切な採否判断につながった（いずれもP<.01）
根拠の説明が丁寧なほど誤った提案も受け入れやすくなり（OR1.71）、AIへの過信リスクが数値で示された

出典：Radiology ／ Determinants of Reader-LLM Interaction in Thoracic Radiology: Impact of Model Confidence and Reader Expertise.

サトシ

説明が上手いAIほど、間違ってても信じてしまう。もっともらしさと正しさは別物だと肝に銘じたい

論文画像診断AI 注目

脂肪成分の乏しい血管筋脂肪腫と淡明細胞型腎細胞癌を、深層学習radiomicsノモグラムで鑑別したという論文。

腎腫瘤583例（訓練329例、内部検証131例、外部検証123例）を対象に、2施設で3スライス入力の深層学習radiomicsモデルを開発した
3スライス入力モデルは内部検証AUC0.821、外部検証AUC0.809で、単一スライスモデル（各0.782、0.763）を上回った
検証コホートは画像所見が紛らわしい症例のみに限定した厳しい設定で、臨床情報を統合したノモグラムはAUC0.855（内部）0.823（外部）まで向上した

出典：J Imaging Inform Med ／ A Three-Slice Deep Learning-Radiomics Nomogram for Challenging Renal Mass Cases: A Double-Center Study.

サトシ

腎臓の画像診断は結局、際どい症例で本領が問われる。そこにAUC0.8台を出してきたのは素直にすごい

論文電子カルテ・記録業務注目

クリーブランドクリニックが外来医師4000人超へのAIスクライブ導入を4カ月で完了した事例報告。

ベンダーと医療システムの提携体制を、ガバナンス・研修とオンボーディング・サポート・リアルタイム学習の4本柱で構築した取り組みをまとめた
この体制により、外来領域の臨床医4000人超へのオンボーディングを4カ月で完了した
単一施設の事例報告であり、患者アウトカムや診断精度への影響は今回のデータには含まれていない

出典：Npj Health Syst ／ Accelerating ambient AI scribe enterprise-scale deployment: Cleveland Clinic's novel approach to health system-industry partnership.

サトシ

現場に定着させる仕組みが4本柱まで言語化されているのは、導入を考える立場としてそのまま使える