大規模言語モデル（LLM）は自然言語処理能力に優れており、臨床意思決定支援システムとして活用される可能性を持っています。しかし、構造化された患者の縦断的電子健康記録（EHR）を効果的にモデル化するには限界があります。一方、EHRファンデーションモデルは患者の予測的表現の学習に優れている反面、解釈可能な言語ベースの推論能力が不足しているという課題がありました。 このギャップを埋めるために、研究チームが提案したのがChatHealthAIというマルチモーダル推論フレームワークです。このシステムは、事前学習されたEHRファンデーションモデルから得られた構造化EHR表現を、タスク対応型のリサンプラーを通じて、凍結されたLLMの意味空間と整列させます。つまり、EHRモデルが学んだ患者情報とLLMの言語理解能力を組み合わせることで、互いの強みを活かすアプローチとなっています。 ChatHealthAIは縦断的患者表現を洗練された臨床イベント記述と統合することで、臨床的根拠に基づいた自然言語推論を実現しながら、患者予測の正確性も維持します。研究チームはEHRSHOTベンチマークの3つの臨床予測タスクでChatHealthAIを評価しました。結果として、推論の質と解釈可能性を向上させつつ、競争力のある予測性能を保つことができたと報告しています。これらの知見は、解釈可能な臨床予測を実現するために、EHRファンデーションモデルと事前学習済みLLMを統合する可能性を示唆しています。