要旨: 不完全または一貫性のない退院時の記録（ディスチャージ・ドキュメンテーション）は、ケアの断片化と回避可能な再入院の主な要因です。患者安全におけるその重要な役割にもかかわらず、退院サマリーの監査は手作業による確認に大きく依存しており、規模拡大が困難です。本研究では、ローカルに展開した大規模言語モデル（LLM）を用いた、退院サマリーの大規模監査のための自動化フレームワークを提案します。我々のアプローチは、フォローアップ指示、服薬歴と変更、患者情報と臨床経過などのケア移行（transition-of-care）に関する中核的な要件を、DISCHARGEDフレームワークに基づく質問の構造化されたバリデーション・チェックリストへと具体化します。MIMIC-IVデータベースの成人入院サマリーを用い、プライバシー保護型のLLMによって、主要な記載要素の存在・不在・曖昧さを特定します。本研究は、スケーラブルな自動化された臨床監査の実現可能性を示し、電子健康記録（EHR）における文書化のための体系的な品質改善の基盤を提供します。
退院サマリーの自動監査によるケア移行の支援
arXiv cs.AI / 2026/4/8
💬 オピニオンIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- 本研究は、不完全または一貫性のない病院の退院時記録が、ケアの分断や回避可能な再入院の一因となっている点に取り組み、スケール可能な自動監査の必要性を示している。
- 地域内に展開可能な、LLM（大規模言語モデル）ベースの監査フレームワークを提案し、ケア移行に関する重要要件を構造化された検証チェックリスト（DISCHARGEDフレームワーク）へ変換する。
- 本システムは、プライバシーを保護するLLM手法を用いて、退院サマリー内に重要な要素（例：フォローアップ指示、服薬歴／変更、患者情報、臨床経過）が存在するか、欠落しているか、または曖昧かを評価する。
- MIMIC-IVデータセットの成人入院退院サマリーを用いて、著者らは提案アプローチの実現可能性を示し、EHR記録の体系的な品質改善を支援できることを示す。
- 本研究は、手作業による確認の負担を減らしつつ、ケア移行時の一貫性を向上させ得る大規模な臨床文書監査の基盤を築く。
