緑内障は自覚症状に乏しいまま進行することが多く、点眼の服薬不遵守や通院の中断は進行と関連するリスク因子とされる。しかし、こうした情報は電子カルテ（EHR）の構造化項目には残りにくく、自由記載の診療記録に埋もれがちである。米マイアミ大学Bascom Palmer眼科研究所の研究チームは、院内のローカル環境で動作する医療特化型の大規模言語モデル（LLM）「MedGemma-27B-text-it」を用いて、診療記録から服薬不遵守、通院不遵守、緑内障家族歴を抽出する手法を検証した。LLMは専門医の判定に対して正解率0.91〜0.98を示し、成果はTranslational Vision Science & Technologyに発表された。
研究チームは、2014〜2024年に緑内障専門医が作成した外来診療記録1,250件と、EHRの家族歴欄のデータを抽出した。うち125件（10%）はプロンプト開発に用いて解析から除外し、研修医診療の承認記録8件も除いた1,117件で評価した。参照基準は緑内障専門医2名の判定とし、不一致の場合は3人目が裁定した。該当割合は服薬不遵守7.3%、通院不遵守4.7%、家族歴あり29.2%だった。LLMの正解率は服薬不遵守0.91（感度0.96、特異度0.91）、通院不遵守0.96、家族歴0.98（感度・特異度とも0.99）であった。EHRの家族歴欄は正解率0.49にとどまり、血縁者数の平均二乗誤差もLLMの0.05に対してEHR欄は0.85と大きかった（p<0.001）。ただし、参照基準が診療記録そのものであるため、この比較はLLM側に有利な設計である。
著者らは、ローカルLLMのパイプラインが、EHRの構造化項目では得られない緑内障リスク因子の大規模研究を可能にしうると述べている。さらに、高リスク患者のレジストリ構築や、受診継続を促す介入への応用にも言及した。一方で、データは単一施設に限られ、他施設では記載様式に合わせたプロンプト調整が必要になる可能性がある。また、LLMの判定は診療記録の内容に依存するため、記載されなかった不遵守は検出できない。服薬不遵守の判定では偽陽性が偽陰性より多く（97件対3件）、実運用に向けた課題として残る。
関連記事：
1．母子の電子健康記録を統合、妊娠から出生後までの健康リスクをAIで予測
2．散瞳不要・即時判定のAI眼底検診が始動：デューク大学
