掲載済み (2026-09-05号)
036 152文字 • 1分

LLMは「存在」は確認できるが「不在」は見落とす:臨床記録におけるAIの記載漏れとその克服法

原題: LLM Judges Verify Presence, Not Absence: Omission Blindness in AI Clinical Notes and What Recovers It

英語

掲載情報

2026年9月5日土曜日号 メインジャーナル掲載

概要

AIによる臨床記録の自動生成において、LLM評価者は情報の「記載漏れ(omission)」を検出するのが著しく苦手であることを明らかにし、その解決策を提案した研究。

詳細内容

臨床現場でのAI scribe(自動記録ツール)の普及に伴い、生成された記録の正確性をLLMで評価する手法が一般的になっているが、本研究はLLMが「存在しない情報」を見つけることに極めて弱い「Omission Blindness(記載漏れ盲目)」を持つことを実証した。実験の結果、標準的なLLM評価者は捏造や改変の検出には優れる(精度0.79〜0.94)一方で、記載漏れの検出はほぼランダムに近い(精度0.50〜0.63)ことが判明。この課題に対し、著者らは「まず音声文字起こしから事実をリストアップし、その後に記録との照合を行う」というステップを経ることで、記載漏れの検出精度を劇的に改善できることを示した。GEPAで最適化されたシングルコールプロンプトは、従来の8つの設計よりも低い誤検知率で、より多くの記載漏れを検出することに成功している。