大規模言語モデルによるGLP-1RA症例の時系列フェノタイピング：テキスト時系列コーパスとリスクモデリング

概要: 2型糖尿病の症例報告は複雑な臨床経過を描写しますが、そのタイムラインはしばしば、縦断モデリングで再利用しにくい言語で表現されています。このギャップに対処するため、私たちは、グルカゴン様ペプチド1受容体作動薬に関するPubMed Open Accessの単一患者症例報告136件を対象としたテキスト時系列コーパスを開発し、臨床イベントをその最も確からしい参照時刻に紐づけました。私たちは、ゴールドスタンダードのタイムライン（臨床領域の専門家が注釈したもの）に対して、LLMによる自動タイムライン抽出を評価し、システムが臨床イベントとそのタイミングをどれほど正確に回復できるかを検討しました。最も性能の高いLLMは、イベントの網羅率が高く（GPT5; 0.871）、症状（GPT5; 0.843）にまたがって、さらに診断、治療、検査、転帰においても信頼性の高い時間的な順序付けを実現しました。下流タスクとしての実演では、糖尿病におけるイベントまでの期間分析により、GLP-1使用者は非使用者に比べて呼吸器の続発症リスクが低いことが示されました（HR=0.259、p<0.05）。これは、呼吸器アウトカムが改善するとした先行報告と整合しています。時間注釈とコードは採択後に公開します。