日常的な小児の成長モニタリングは、小児医療における重要な基盤である。成長パターンの異常は、慢性疾患の初期の兆候として現れることが多い。しかし、微細な異常は見落とされやすく、その結果として診断の遅れや回避可能な罹患が生じる。本研究では、SPROUT（System for Pediatric Recognition Of Undiagnosed Trajectories）を提案する。これは、縦断的電子健康記録（EHR）から小児の成長に関連する幅広い疾患を、標準的な臨床実践よりも早期に同定するための、汎用的なマルチエージェント大規模言語モデル（LLM）推論システムである。大規模な小児プライマリケアEHRデータセットを用いて、SPROUTを2段階システムとして開発し、検証した。第一に、高い特異度をもつLLMスクリーナが、縦断的な成長パターンに関して問題のあるものを検出する。第二に、Orchestratorモジュールが、多職種のLLMエージェントから成るパネルを調整し、順位付けされた鑑別診断を生成する。体系的な推論エラーを補正するために、Trainerモジュールが専用の「Learner」エージェントを通じてメタ知識をパネルへ注入する。診断能力は、診断日までの受診ごとの時点を追うウォークフォワードのシミュレーションによって評価した。SPROUTのスクリーナモデルは、索引日の1年前に評価したゴールドスタンダードの小児プライマリケア患者データセットにおいて、98%（83/85）の特異度と28%（9/32）の感度を達成した。診断日当日までの縦断データを用いて評価すると、特異度100%と感度47%を得た。300人の対照患者（健康または未診断）に適用したところ、スクリーナは15件を検出した。続いて専門家パネルによる検討で、これら15件のうち33%（5/15）において未診断の病的状態に対する高い疑いが確認された。疾患例に対する時間順のウォークフォワード検証では、診断エンジンは標準的なケアの記載よりも十分に前から条件を特定できた。臨床診断の1年前において、本システムは1型糖尿病で81%、下垂体疾患で56%、セリアック病で44%の感度を達成した。SPROUTのマルチエージェントシステムは、現行の臨床基準よりも数か月から数年先行して潜在的な成長関連の小児疾患の相当部分を検出できること、同時に偽陽性を最小化できることを示した。これらの結果は、小児医療における診断遅延の低減のための意思決定支援ツールとしての可能性を支持するものである。
https://doi.org/10.64898/2026.08.28.26361655