HFpEF におけるマルチモーダル大規模言語モデルの適用 (MeG-HFpEF)

心不全はさまざまな心臓病の主要な合併症であり、世界中で心血管死の主な致死原因となっています。 心不全は、左室駆出率（LVEF）に基づいて、駆出率低下心不全（HFrEF）、駆出率維持心不全（HFpEF）、駆出率軽度低下心不全（HFmrEF）に分類できます。 心不全再入院率と院内合併症は、HFrEFとHFpEFの間で差がなかった。 しかし、過去 20 年間で、HFrEF の生存率は大幅​​に向上しましたが、HFpEF は停滞したままです。 その主な理由の一つは、HFpEFの診断プロセスが複雑であり、臨床現場での診断ミスが起こりやすく、結果として治療が遅れることである。

マルチモーダル大規模言語モデルは、テキスト データ (例: 医療記録、医療文献)、画像データ (例: 心電図、CT スキャン画像)、および音声データ (例: 人が語る症状) など、さまざまなソースからの医療データを統合および分析できます。患者）。 このマルチモーダルなデータ統合機能は、単一のデータ ソースよりも包括的な状態のビューを提供するため、複雑な医療シナリオを理解するために非常に重要です。

HFpEF の診断は多くの課題に直面しており、臨床医は多次元データに基づいて判断する必要があるため、この疾患の過小診断や誤診につながりやすいです。 生成型人工知能ツールとして、大規模な言語モデルはさまざまなソースからのデータを統合して分析することができ、既存の臨床証拠から学習して進化する機能を備えています。 これに基づいて、この研究は、従来の臨床標準評価プロセスと比較して、駆出率保存型心不全（HFpEF）のスクリーニングにおけるマルチモーダル大規模言語モデルの有効性を評価することを目的としています。