大規模言語処理のRWD/RWEの「適合性」「信頼性」担保への活用の展望②

Ensuring the fitness and reliability of LLM-extracted RWD/RWE-2

　近年，人工知能（AI）や機械学習（ML）の進展により，電子カルテ内の臨床情報を効率的に抽出することで，RWD構築の高度化が期待されている．Flatiron Healthでは，すでに大規模言語モデル（LLM）を活用したRWD構築を進め，技術支援型の人手を介した臨床アブストラクションと組み合わせることで，抽出データの精度と再現性を検証している．特に，LLM抽出データの品質保証を目的に「VALIDフレームワーク」を提唱し，データ項目レベルの精度評価，自動検証，再現性評価の3要素に基づき妥当性を確認することで，LLM活用時に課題となる信頼性や適合性の課題に対応している．すでにこれらのデータは重要ながん研究の他，薬事上の目的にも活用されつつあり，今後は規制当局の受容性が注目される．日本においてもこれらの技術の活用は期待されるが，技術特性に応じた品質保証を十分に行い，透明性を確保しつつ信頼性の高いデータを構築・活用することが必要である．