救急医療における大規模言語モデルの役割：包括的ベンチマーキング研究

救急外来を受診するかもしれない誰にとっても重要な理由

救急外来はかつてないほど混雑し、待ち時間は延び、重症患者の増加に対して十分な人手が足りていません。本研究はほぼすべての人に影響する問いを投げかけます。現代のAIシステム、いわゆる大規模言語モデルは救急科の医師や看護師がより速く、より賢く働くのを安全に支援できるのか――研究者たちは複数の先進的AIを一連の医学的テストと模擬救急症例にかけることで、これらのツールが緊急ケアの信頼できる「共同操縦者」になる可能性を探っています。

激しい負荷にさらされる救急外来

論文は、特に米国における救急医療の深刻化する危機を概説することから始まります。高齢化と慢性疾患の増加により、救急受診は記録的な水準に達し、2022年だけで約1億5,500万件に上りました。同時に病院は看護師や医師の深刻な不足に直面し、1人当たりの病床数はここ数十年で減少しています。分断された医療システムはケアの調整を難しくし、遅延やミスのリスクを高めます。こうした背景を踏まえ、著者らは患者のトリアージ、迅速な意思決定、診療記録の作成を負担を増やさずに支援する新たなツールが緊急に求められていると主張します。

研究者は医療AIをどのように評価したか

現時点のAIが救急に近い状況で実際に何ができるかを確認するため、チームは二段階の評価を設計しました。まず、MedMCQAから抽出した多肢選択式問題の大規模セットを用いて18種類の言語モデルをテストしました。MedMCQAは胸痛、呼吸困難、頭痛、腹痛など12の一般的な救急主訴を網羅する試験形式のデータセットです。この段階は基本的な医学知識を測るもので、AIが数千問の四肢択一から正しい答えを選べるかを評価しました。次に、上位5モデルを選び、医師のようにステップバイステップで12件の現実的な救急症例を解いてもらいました。各症例について、AIは患者の要約、トリアージの緊急度スコアの付与、重要なフォローアップ質問の提案、管理方針の提示、そしてバイタル・病歴・診察所見・検査・画像所見などの新情報が段階的に明らかになる中で考えられる診断の一覧を作成する必要がありました。

事実を知っていたモデルと推論力のあるモデル

純粋な事実記憶に関しては、いくつかのモデルが印象的な成績を示しました。LLaMA 4 Maverickという専門化されたシステムは医療問題への総合正解率で約91％を記録し、LLaMA 3.1、GPT-4.5、GPT-5、Claude 4がこれに続きました。これらの上位モデルは主要な主訴ごとに一貫して高い成績を示し、最先端のAIが教科書的な医療知識の面で天井に近づいている可能性を示唆します。一方、中位のシステムは大きく差がつき、60％付近のスコアで創傷処置や呼吸器問題など重要な領域で苦戦するものもありました。しかし、課題が孤立した質問への回答から、情報が豊富で変化する患者の物語を論理的に追うことに移ると、差はさらに顕著になりました。これらの臨床シミュレーションではGPT-5が際立っており、最も正確で包括的な要約を作成し、最も有用なフォローアップ質問を投げかけ、妥当で安全な次のステップを推奨し、可能性のある診断のリストを最も徹底的かつ整然と提示しました。

強み、弱点、そして安全性に関する懸念

臨床医は各AIの出力を正確さ、関連性、安全性の観点から慎重に評価しました。GPT-5は総合で最高得点を獲得しただけでなく、症例が複雑になるにつれて成績を維持するか改善する唯一のモデルであり、誤情報（ハルシネーション）や重大な誤りを約2％未満に抑えていました。他のモデルは明確な弱点のパターンを示しました。二次診断を見落としたり、軽微な問題を危険なものより優先したりする傾向があるものもあれば、過度に慎重または曖昧になったり、一つの診断に早々と固執したりするものもありました。全体を通して、多くのシステムはトリアージの際に患者の重症度を過小評価する傾向があり、これは是正されないと緊急治療の遅れにつながる保守的バイアスです。これらの結果は重要な点を浮き彫りにします。医学的事実を知っていることは、情報が不完全で混沌とし、変化する状況下でそれらの事実を安全な手順に組み込んで着実に意思決定する能力とは同義ではありません。

今後の救急受診にとっての意味

著者らは、複数の現代的AIが医学知識の面で互いにほぼ肩を並べる一方で、特にGPT-5は新たな推論能力を示しており、救急部門での意思決定支援ツールとして有用になり得ると結論づけています。彼らはこれらのシステムが臨床医に取って代わったり、自律的に行動したりする準備ができているわけではないと強調します。むしろ、最も有望なのは監視下でのアシスタント役であり、トリアージ看護師が緊急度を推定するのを助け、患者要約を草稿し、質問や検査を提案し、重大な診断が考慮されているかを確認する支援が期待されます。また、本研究はライブの臨床環境でのさらなる研究、安全性チェックの強化、明確な使用ルールの策定が必要であることも強調しています。患者に向けたメッセージは慎重な楽観主義です。AIは医学的問題を考える能力を高めていますが、救急外来での安全な利用は慎重な設計、監視、人間である医師や看護師の判断を代替するのではなく支援するという継続的な方針に依存します。

引用: Naderi, B., Liu, L., Ghandehari, A. et al. The role of large language models in emergency care: a comprehensive benchmarking study. npj Artif. Intell. 2, 24 (2026). https://doi.org/10.1038/s44387-026-00078-2

キーワード: 救急医療, 大規模言語モデル, 臨床意思決定支援, トリアージ, 医療AIベンチマーキング