原題
Use of Large Language Models to Enhance Failure Mode and Effects Analysis: A Case Study.
背景:FMEAは放射線腫よう学で使用されるが、時間がかかり、専門家に依存する。本研究では、大規模言語モデル(LLM)が放射線計画アシスタント(RPA)の故障モードを特定することにより、専門家のFMEAを補完できるかどうかを検証した。
方法:集学的チームは、様々なプロンプトとRPA材料を備えた4つのLLMを使用して、輪郭形成と計画のための故障モードを生成した。LLMは重症度、発生、検出可能性を評価し、専門家はTG-100を介して再スコア化した。トップリスクは、南アフリカの2つの臨床グループによってレビューされた。
結果:LLMは190の候補を生成し、79のユニークなモードを保持した。3件は以前のRPN閾値を超えていた(スタッフの説明責任/職務の曖昧さ)。LLMはより高い重症度およびRPNを示し、臨床医はAIで特定されたいくつかのリスクを検証した。
結論:LLMはリスク発見を拡大するが、専門家の監視を必要とし、人間の判断を補完する。
Journal: Adv Radiat Oncol (CiteScore 2022: 4.5)
DOI: 10.1016/j.adro.2026.102060
PMID: 42254724
コメント