LLMを活用した長期COVIDの計算表現型解析

要約：表現型特徴づけは、慢性疾患における異質性を理解し、個別化介入を導くために不可欠です。Long Covid は複雑で持続的な状態ですが、その臨床的サブフェノタイプは依然として十分に理解されていません。本研究では、仮説生成、証拠抽出、および特徴量の洗練を反復的に統合する、LLMを補助的に活用した計算フェノタイピング・フレームワーク ``Grace Cycle`` を提案し、縦断的な患者データから臨床的に意味のあるサブグループを発見します。 このフレームワークは、13,511 名の Long Covid 参加者に基づいて、Protected、Responder、Refractory の3つの異なる臨床表現型を同定します。これらの表現型は、症状のピーク時の重症度、基礎となる疾病負荷、および縦断的な用量反応パターンにおいて顕著な分離を示し、複数の独立した次元に跨る強い統計的裏付けが得られています。
　本研究は、大規模言語モデルを、複雑な縦断データからの表現型スクリーニングのための原理的で統計的に根拠のあるパイプラインへ統合する方法を示しています。提案されたフレームワークは疾患非依存であり、臨床的に解釈可能なサブフェノタイプを発見するための一般的なアプローチを提供します。