患者データによる心疾患リスク低下へのAI-Augmented意思決定：ヘルスケア専門家に対する混合法的研究

個々の人々が増加しており、健康とライフスタイルに関する大規模な個人のデータをスマートフォンやウェアラブルデバイスを通じて生成することがあります。これらのおかげで、予防的なケアは大きな変革を可能になりますが、それが医学的実践へと統合されることは、その大きさ、多様性とホスピタル・プロフェッショナルの時間圧迫とデータリテラシーによって妨げられています。我々は、大量の言語モデル(LLM)が患者生成の健康データ（PGHD）に対する意思決定を支援する方法を探しています。医療関連リスク下にある心疾患の例を使って、16のホスピタル・プロフェッショナルがシームフォーマとLLMのおかれた要約や対話型インターフェースと一緒に multimodal PGHD をレビューした混合法のステップを取りました。これらの結果では、AI 備付の要約は視覚を提供し、解釈を支えるもので、対話的なインタラクションは分析を柔軟に可能であり、情報リテラシーの壁も克服しました。しかし、ホスピタル・プロフェッショナルの問題提起したのは透明性、プライバシー、そして過度の依存の点でした。我々が提供するのは、AI駆動されたサマリーと対話による整合的なデザインについての経験的な洞察と技術社会学的設計の推奨事項です。

arXiv:2602.05687v3 Announce Type: replace-cross Abstract: Individuals are increasingly generating substantial personal health and lifestyle data, e.g. through wearables and smartphones. While such data could transform preventative care, its integration into clinical practice is hindered by its scale, heterogeneity and the time pressure and data literacy of healthcare professionals (HCPs). We explore how large language models (LLMs) can support sensemaking of patient-generated health data (PGHD) with automated summaries and natural language data exploration. Using cardiovascular disease (CVD) risk reduction as a use case, 16 HCPs reviewed multimodal PGHD in a mixed-methods study with a prototype that integrated common charts, LLM-generated summaries, and a conversational interface. Findings show that AI summaries provided quick overviews that anchored exploration, while conversational interaction supported flexible analysis and bridged data-literacy gaps. However, HCPs raised concerns about transparency, privacy, and overreliance. We contribute empirical insights and sociotechnical design implications for integrating AI-driven summarization and conversation into clinical workflows to support PGHD sensemaking.