Google Research、症状評価の会話型AIエージェントSymptomAIを研究

研究では同意を得た参加者13,917人が、ランダムに割り当てられた5種のSymptomAIエージェントのいずれかに症状を話した。エージェントは追加質問を行い、最終的に鑑別診断（DDx）と次の行動の推奨を出す。参加者には2週間後に受診結果をアンケートで報告してもらい、専門医3名が会話記録を読んで独自のDDxを作成し、盲検でSymptomAIと他の医師のDDxを順位付けした。

結果として、臨床医はSymptomAIのDDxを50%超のケースで他の臨床医のDDxより好んだ。top-5 Accuracyでも、SymptomAIのDDxは他の臨床医のDDxより正確と判断される頻度が高かった。差が最も大きかったのは、臨床医自身が自分のDDxに最も自信を持てなかったケースである。

5つの試験群は、自由に追加質問できるDynamic LiveとDynamic Final、医学教育で教わる標準的な問診項目を使うFixed CanonicalとFlexible Canonical、プロンプトなしのBaseに分かれる。質問を能動的に行う方式はいずれもBaseを大きく上回り、情報を引き出すことの価値が示された。

さらに、参加者のFitbitデータを会話の最大30日前まで収集し、SymptomAIのtop-1診断で呼吸器感染症に分類された群と照合した。症状報告の日に向けて生体信号の変化が見られ、心血管機能、呼吸、皮膚温、睡眠の質に変化があった。著者らはこれを、報告症状と整合する観察的な生理学的証拠と位置づけている。

限界として、鑑別診断自体が曖昧で時間とともに変わりうること、症状報告の時期を統制できなかったことを挙げる。また臨床医は静的な会話記録を見ただけで自ら質問できず、表情や診療記録などの情報もAIには欠ける。研究中の診断やラベルはすべて研究目的のAI由来で、確定的な臨床診断ではないと明記されている。