医療LLM、患者への回答前にセルフケアを提案――短い指示で出現率が9／12から0／12に

8月18日に公開された研究によると、医療LLMは、設問が明確な臨床上の問題として整理された後にテストされることが多く、実際の診療相談の初期段階にある難しさが見落とされている。患者は症状を軽く表現したり、誤った前提に立っていたり、そもそもどの情報が重要なのかを知らなかったりする可能性がある。研究者らはこれを「preformulation gap」と呼び、医師が作成した4つの複数ターン事例を用いて、モデルが曖昧な訴えを安全に対応可能な問題へと先に整理できるかを検証した。

固定スクリプトによる実験では、OpenAI `chat-latest`、Google `gemini-3.5-flash`、Anthropic `claude-sonnet-4-6`を対象とし、各モデルにベースラインプロンプトとentry-to-careシステム指示をそれぞれ適用して、計24件のターン単位の記録を生成した。このうち2事例では、モデルに標準化患者を演じさせ、さらに12件の適応型対話を生成した。新しい指示は、モデルに対して、まず患者の懸念を明確化し、安全でない前提を修正し、適切な受診経路を判断したうえで、最後に臨床医へ伝えられる要約をまとめるよう求めた。ただし、事例固有の医学知識は提供していない。

結果によると、ベースライン条件の12個の「事例―モデル」の組み合わせのうち9個で、患者が質問に一つも回答していない段階から、セルフケアまたは自宅での対処法が提示された。指示を追加すると、この数はゼロになった。構造化された引き継ぎ要約も0／12から10／12へ増加した。これは、プロンプトによって情報収集、助言、文書化の順序を大きく変えられること、そして最終診断の正答率だけではこうした対話上の違いを捉えられないことを示している。

ただし、プロセスの改善が安全性の問題の解決を意味するわけではない。適応型の嘔吐事例では、指示を追加しても、糖尿病など意思決定を左右する情報を確実には聞き出せなかった。また、一部の回答には過度に断定的な表現や、不必要に警戒をあおる文言も見られた。著者らも結論の限界を明示している。4事例と3つのAPIモデルで示せるのは、プロンプトに敏感な対話上の指標に限られ、疾患の有病率を推定したり、モデル全体の安全性を比較したり、臨床的有用性を証明したりすることはできない。エンジニアリングチームは最終回答だけを評価するのではなく、初回応答の順序、重要情報のelicitation、紹介・受診勧奨の根拠、引き継ぎの品質をターン単位のテストに組み込むべきだ。