2025年8月10日の早朝、遊覧船や商業クルーズ船が頻繁に訪れるアラスカのトレーシー・アーム・フィヨルドで、大規模な地滑りによる大津波が発生した。新たな解析を行った研究者らは、この事象がどのように展開したかを明らかにするとともに、同様の事象による危険性が増大していること、そして早期事象検出が可能であることを強調している。地滑りによって発生した津波は、地震によって発生した波よりもはるかに甚大な局所的浸水を引き起こす可能性があり、フィヨルドのような閉鎖環境では特有の危険をもたらす。北極圏と亜北極圏において氷河が後退し、永久凍土が融解し、人間活動が活発になるにつれ、こうした事象が発生する可能性と潜在的な影響がともに高まっており、検出の向上とリスクの軽減が急務となっている。 Dan Shugarらは、米国アラスカ州ジュノー南部にあるトレーシー・アーム・フィヨルドで2025年8月に発生した事象に注目した。夏になると、このフィヨルドには数千人の乗客を乗せた船をはじめ、1日20隻以上の船が訪れる。著者らによると、巨大津波が発生した日の早朝、このフィヨルドに流れ込むサウス・ソーヤー氷河の上方にある巨大な楔形の岩塊が崩落した結果、数千万立方メートルの土砂が氷河の末端に衝突し、氷と水を押しのけたという。これにより、すさまじい津波が発生した。この斜面では目に見える事前の兆候はほとんどなかったが、かすかな地震信号から、崩落に至るまでの数日間、特に数時間に不安定な状態が蓄積していたことが明らかになった。この地滑り自体によって、マグニチュード5.4の地震に相当する長周期地震波が発生し、それが世界中で観測された。Shugarらは、崩落の引き金となったのは、局地的な温暖化に起因する長期的な氷河の後退と薄化であろうと主張している。氷河の後退と薄化によって斜面が構造的な支えを失い、次第に崩落しやすくなったというのである。トレーシー・アームから押し寄せた津波は、フィヨルドの切り立った岩壁から植生をはぎ取り、いくつかの地点では海抜481メートルにも達する最高水位の「トリムライン」をはっきりと残した。遠ざかるにつれて波の高さは低くなったが、津波は依然として植生をはぎ取り、海岸線を変形させ、数十キロメートル離れた場所でも測定可能な遡上を生じさせた。最初の波だけでなく、この事象は、フィヨルド内の水が長期にわたり振動するセイシュ（静振）も引き起こした。セイシュは数時間から数日間続き、地震データと衛星データの両方で検出された。この長期にわたる共振は、まさにフィヨルドの「鐘」であり、地滑り前の地震活動と同様に、遠隔地で発生した地滑りによる津波を特定し監視する新しいツールとなる可能性がある。特に、気候変動によって氷河が後退している今、こうした災害の発生リスクは高まっている。「今後の研究において有望な分野は、直接観測またはリモートセンシングによって前兆となる警告信号の理解を深めることであろう」と著者らは述べている。

最先端の大規模言語モデル（LLM）が、救急治療室での判断、妥当と思われる診断の特定、次の管理手順の選択などの一般的な臨床推論タスクにおいて人間の医師よりも優れていたことを、実際の救急科のデータを用いた新たな研究が示している。様々な臨床推論タスクで人工知能（AI）と医師を比較した、これまでで最大規模の研究の1つである本研究の著者らは、この結果はAIシステム単独での診療ができるようになったと示すものでも、診断プロセスから医師を排除できると示すものでもない、と明言している。ただし今回の結果は、今後の臨床診療におけるAIツールの評価と導入について緊急課題を提起するものである。65年以上にわたり、臨床診断の困難な症例は、医療コンピューターシステムを評価する判断基準となってきた。最近、これらの複雑な症例においてLLMが先行のコンピューターアプローチを上回ってきている。だがこうした進歩があるにもかかわらず、LLMについての大半の医学研究は、狭いシナリオあるいは高度に管理されたシナリオしか検討しておらず、実世界の臨床推論タスクにおける人間の医師の能力との直接比較はしていない場合が多い。LLMに基づく医療ツールの急速な進歩に伴い、より厳密な評価が必要になっている。 今回Peter Brodeurらは、高度先進LLM（OpenAIのo1シリーズ）の診断能力と治療計画作成能力を、一連の臨床推論タスクにわたり数百名の医師および旧AIシステムの能力と比較することで包括的に評価した。これらには、標準化された臨床症例と、マサチューセッツ州の主要な救急医療センターで無作為に選択された救急治療室患者に関する実臨床研究の両方が含まれた。Brodeurらによると、6つの実験すべてにわたってLLMモデルは一貫して、診断および管理の推論で人間と同等か人間を上回るパフォーマンスを示した。注目すべきことにLLMの優位性は、医師が最小限の情報で迅速な判断を下さなければならない、救急科での初期段階のトリアージで最も顕著であった。人間とAIのどちらも、利用可能な臨床データが多いほど成績が高かったが、LLMは不確実な条件下において際立った強みを見せ、構造化されていない断片的な医療記録データさえも効果的に使用していた。著者らによると、LLMの臨床推論は人間レベルに急速に近づきつつあり、一部の領域では上回ってもいる。また、AI支援による意思決定はリスクが高いとみなされる場合が多いものの、今回の研究結果は、これらのツールを医師による評価と併用すれば、誤診や診断の遅れ、医療アクセスの格差を減らしうることを示唆している。ただし著者らは、本研究のいくつかの重要な限界についても言及している。例えば、今回の焦点はテキストベースの推論に限られていたが、臨床診療では視覚的・聴覚的な手がかりに依存するところが大きい。これらの領域における現在のAIの能力は依然としてあまり高くない。関連するPerspectiveでAshley HopkinsとErik Cornelisseは、「限定的なタスクにおける正確さは、導入準備の1側面に過ぎない。それだけでなく臨床用AIは、公平で費用対効果が高く安全な成果をもたらすものでなければならず、そのことが説明責任や透明性、継続的なモニタリングによって支持されなければならない」と述べている。「有効性、公平性、安全性が確実に示されない限り、多くのAIシステムは臨床使用には不十分なままである。」

研究者らの報告によると、減煙介入ではしっかりつながった少人数のみを標的にすると喫煙が最も大きく減少するという。この発見は、仲間の影響を効果的に利用する社会的ネットワークを基盤とした介入を設計する際の実用的な手掛かりとなる。仲間の影響は、思春期の行動、喫煙といった特に健康関連の習慣の形成に強力な役割を果たしている。これは、行動や規範が感受性豊かな成長期に社会的ネットワークを通して広がることによる。これまでの研究で、そういった影響は友人関係を通して、更には友人の友人を通しても、波及することが示されている。しかし、その影響が社会的距離と共にどの程度急速に減衰するのか、そして、その過程に社会的ネットワークの構造がどう影響するのかは依然としてわかっていない。Cheng Wangらは、確率的アクター指向モデル（SAOMS）と思春期から成人期の健康に関する全国長期追跡研究であるNational Longitudinal Study of Adolescent to Adult Health（Add Health）のデータセット内の2校、3,154人の生徒のデータを用いて、仲間の影響は社会的距離によってどう減衰するかを調査した。彼らは行動への影響がどのように拡散したり減衰したりするかについて解明を進めようと、無作為抽出した学生、若しくは社会的ネットワーク内の最も中心的な学生を標的に、様々な減煙介入策の効果を評価した。Wangらは、減煙介入における仲間の影響は介入標的から最大3次の隔たりにまで及ぶことを発見した。社会的ネットワーク内で10～30%のつながりの強い人たちを標的にすると、喫煙は最も大きく減少した。一方、標的対象を40～50％以上にまで拡大すると、ネットワークが飽和状態に達してしまい、効果は減少した。更にWangらは、社会的ネットワークの構造が問題であることも発見した。例えば、ネットワーク密度が高いほど影響の拡散は広く、減衰は遅い。密度が低いほど拡散は限定的になるという。