医療分野におけるエージェント型AI：AIエージェント同士が議論を交わすとどうなるか

あるマルチエージェントAIシステムが最近、希少な症例について80％以上の確率で正確に診断しました。 これは、経験豊富な人間の臨床医よりも4倍も優れています。 それは、どのAIよりも賢かったからという理由だけでそこにたどり着いたわけではありません。 これは、複数のエージェントが互いに議論を交わし、エラーが発見されるまで続けた結果、実現したものです。

6か月前、人工知能は医療分野において受動的な役割しか果たしていませんでした。 会議に参加し、話を聞き、臨床記録を要約しました。 有用でしたが、限界もありました。 現在、エージェント型AIシステムは、患者記録の取得、診断モデルの適用、部門を横断したケアプランの調整、さらには互いの推論に対する検証まで、人間が各ステップを開始するのを待つことなく行っています。

ドン・ウッドロックは、自身のシリーズ「Code to Care」の最新エピソードで、ピーター・リー博士を迎え、医療分野におけるエージェント型AIの今後の方向性について掘り下げました。 彼らは以下の事項について議論しました：

1. AIを「エージェント的」たらしめる要素に関する具体的な枠組み
2. 臨床現場ですでに稼働している実システム
3. そして、この技術に関するほとんどの報道が完全に見落としている、マルチエージェントの協調に関する洞察

医療システム向けにエージェント型AIの導入を検討している場合でも、誇大広告と本質を見極めようとしている場合でも、以下では、この技術が実際に何を行うのか、どのような分野で具体的な成果を上げているのか、そして導入前に組織としてどのような準備が必要なのかについて、実践的な解説を行います。

従来のAIは、プロンプトに1つずつ応答するのみで、セッション間の記憶はなく、外部システム上で動作する権限もなく、現実世界の何ものも変える能力もありません。

エージェント型AIは、これとは根本的に異なります。 これらのインテリジェントシステムは、医療現場において、多くの場合自律的に、観察、判断、行動を行うことができます。

ピーター・リー氏は、エージェント型AIを4つの構成要素に分類しており、これは、あるシステムが真にエージェント型であるか、それとも単にそのように名付けられているだけかを評価するための実用的なチェックリストとなっています。

初期のAIは、あらゆるやり取りを白紙の状態から始めていました。 エージェント系はエピソード的な文脈を保持します。 AIは、この患者のペニシリンアレルギー、3週間前の腫瘍症例検討会、そして病歴から放射線科医が指摘した所見を記憶しています。 コンテキストはセッションをまたいで保持され、エージェントは前回の終了地点から処理を再開します。

AIにはどのようなことが許可されているのでしょうか？ 電子カルテを照会することはできますか？ 放射線医学モデルを呼び出せますか？ 検査結果を確認できますか？ 権限はエージェントの自律性の範囲を定義するものであり、医療分野において、その範囲は極めて重要です。

エージェントが臨床システムや運用システムを横断して動作するためには、数十もの個別の統合作業を必要とせずに医療データにアクセスできるプラットフォームが必要となります。

InterSystems IRISのようなプラットフォームは、データベース、統合、分析機能を単一のレイヤーに統合しており、エージェントが患者データを取得してそれに基づいて行動するために必要な処理の引き継ぎを削減します。

エージェント型システムは、世界の状態を変える これらは、記録の検索、診療記録の作成、専門的な分析のための他のAIモデルの呼び出し、予約の調整、リマインダーの送信、およびフォローアップの調整を行います。

簡単に言えば、生成AIは質問に答えるのです。 エージェント型AIは行動を起こします。

これが、他の3つを結びつける糸です。 エージェント型システムは、単に一連の手順を実行するだけのものではありません。 それは目標に向かって推論を行い、新しい情報が入ってくるにつれて思考の流れを適応させていきます。

人間と連携して働き、個々の臨床医よりも多くの文脈を作業記憶に保持しています。 自然言語処理や機械学習といった技術を活用することで、これらのインテリジェントエージェントは膨大なデータセットから知見を導き出し、一人では到底対応しきれないような複雑なタスクを自動化することができます。

ピーター・リー氏は、この状況を野球に例えて次のように表現しています。「私たちは、この技術革命の試合の途中、中盤のイニングにいるのです。 そして、この『中盤の時代』の中心となるのが『エージェント型AI』だというあなたの見解は正しいと思います。」

導入に向けた動きは確かにありますが、終盤の展開は依然として不透明です。 システム設計において、これらの構成要素がどのように組み合わさっているかについてさらに詳しく知りたい場合は、当社の「 エージェント型AIアーキテクチャ」ガイドをご覧ください。

では、冒頭で触れたように、AIエージェントはどのように「議論」するのでしょうか？

これが現実の世界ではどのようなものなのか、ご紹介します。 MAI-DxOは、Microsoft AIが開発したマルチエージェント診断システムです。 複雑な診断において、1つのAIにすべての要素を総合的に判断させるのではなく、このシステムでは個別のAIエージェントにそれぞれ異なる役割を割り当てています：

• 患者と接し、診断に向けて取り組むプライマリエージェント
• ただ単に反対することだけを目的とする反骨のエージェント。常にプライマリーの論理に異議を唱え、前提を問い直し、結論に反論し続けます。
• 提案されたすべての臨床検査や画像検査について、リソースの観点からその妥当性を精査するコストエージェント

これらのエージェントは「議論の連鎖」を行います。これは、結論に収束するまでに、診断プロセスを複数の段階にわたる検証と精緻化の繰り返しへと導く、構造化された意見の対立です。 このシステムは、臨床記録、患者の病歴、検査結果からのデータを同時に分析することができ、一人の臨床医が作業記憶に収めきれないほどの文脈情報を処理します。

『ニューイングランド・ジャーナル・オブ・メディシン』誌との共同研究において、極めて稀な診断事例のコレクションを用いた検証を行った結果、MAI-DxOは80％以上の確率で正しい診断を下しました。 最も優れた性能を示した構成は85.5％の精度を達成し、同じ症例に取り組んだ経験豊富な人間の臨床医の平均精度がおよそ20％であったのに対し、その4倍以上の精度を記録しました。

精度こそが重要です。 しかし、そのメリットはそれだけにとどまりません。 AIエージェントたちは、ある意味で互いに競い合い、より良い成果を出そうとしているのです。

「エージェント型コンピューティングというこの考え方は、単に人間のプロセスを円滑にするためだけのものではありません。互いに競い合うことだけで、他のAIの知能を強化し、さらに幻覚発生率などを低減することさえできるのです。」 - ピーター・リー博士

はい、エージェントは、人的ミスが起きやすいプロセスの自動化を支援しています。 しかし、それらはAIにおける最大の問題の一つである「ハルシネ―ション」も大幅に軽減しています。 反骨型エージェントは、必ずしも正しい必要はありません。 それは、主たる主体にその推論を正当化させるよう迫る必要があります。

そのプロセスによって、そうでなければ見過ごされてしまっていたであろう思考の連鎖における弱点が浮き彫りにされます。

それによって、全体像の見え方が一変します。 医療分野のリーダーたちが、エージェント型AIについて最もよく問うのは、「どのような業務を自動化できるのか」という点です。 より適切な問い、そしてMAI-DxOが答えを出している問いは、「知能を持つエージェント同士が互いに知能を高め合うと、どうなるのか？」というものです。

MAI-DxOは、エージェントが情報分析の精度を向上させることができることを実証しています。 スタンフォード大学の腫瘍ボード調整ツールが取り組んでいるのは、日々の患者ケアにおいてより重要な意味を持つかもしれない、別の問題、すなわち断片化されたデータや異なるシステム間の連携です。

腫瘍ボードとは、腫瘍内科医、放射線科医、外科医、病理医などが集まり、特定の患者の症例を検討して治療方針を決定する多職種合同会議のことです。 世界中の医療システムでは、毎週何千件ものこうした症例が発生しており、そのひとつひとつについて、医療チームは複数のシステムに散在する情報を一か所に集約する必要があります。年間4,000人の腫瘍ボード患者 を診察しているスタンフォード・メディシンとの共同プロジェクトにおいて、

マイクロソフトは、こうした会議に参加するAIエージェントを開発しました。 このエージェントは、患者のカルテを取得し、放射線診断や病理診断のための専用AIモデルを起動し、患者の遺伝子情報に合致する公開済みの研究論文を抽出するとともに、レビュー用のメモを生成します。

複雑な症例の解明や、複数の専門診療科にわたる一貫性のあるケアプランの調整といった複雑なタスクを処理することで、医療従事者にリアルタイムのサポートを提供することができます。

前述のMEARの構成要素を覚えていますか？ これらはすべて、ここで作用しています。 エージェント：

• 患者のコンテキストを保持する（メモリ）
• 電子カルテ（EHR）、画像診断システム、および研究データベースへのアクセス権（権限）
• 出力を取得および生成する（アクション）
• また、臨床チームとの治療方針の決定に向けた根拠（推論）。

こうした異種データソースを連携させることは、 まさにInterSystems HealthShareのようなプラットフォームが解決するために設計された 相互運用性の課題そのものです。 腫瘍学の診療記録は1つのシステムに、放射線画像データは別のシステムに、病理検査報告書はさらに別のシステムに、そして公表された研究データは外部データベースに分散して保存されています。

HealthShareは、複数のシステムに分散した臨床データを一元化された患者記録に集約し、データの出所にかかわらず、各システム（および臨床医）に一貫性のある単一のビューを提供します。

これこそが、拡張性のあるパターンです。 腫瘍症例検討会では、医療システム全体にわたる専門家、データ、そして意思決定を統合する必要があります。 この調整上の課題こそが、断片化されたデータを結びつけ、適切な医療チームが正しい判断を下せるようにするものであり、医療提供におけるほぼすべてのワークフローに現れています。

スタンフォード・ヘルスケアによるエージェント型AIへの投資は、腫瘍カンファレンスの枠を超えています。 同社の「AXIOM」イニシアチブでは、InterSystems IRIS上のFHIRリポジトリを活用して臨床データの迅速な取得を実現しており、これにより、救急部門における拡張トリアージを含むAIアプリケーション向けのEHRクエリ処理時間を、数分から数秒へと短縮することに貢献しています。 このプロジェクトは、 2025年インターシステムズ・インパクト・アワード の「医療提供者イノベーション部門」を受賞しました。

すべての医療機関が、今すぐマルチエージェント診断システムを必要としているわけではありません。

Claudeの開発元であるAnthropicは、 エージェント構築ガイドの中で次のように賢明に記している。「LLM（大規模言語モデル）を用いてアプリケーションを構築する際は、可能な限りシンプルな解決策を見つけ、必要な場合にのみ複雑さを増すことを推奨する。」

幸いなことに、リー博士は、どの臨床医でも今週すぐに試せる、よりシンプルな出発点を提示しています。

彼の著書『 『The AI Revolution in Medicine』の中で、医師や看護師に対し、AIを「もう一つの目」として捉えるよう推奨しています。

その考え方は、まず自分自身の鑑別診断を立てた上で、その症例をAIエージェントに提示し、2つの質問を投げかけるというものです。 何か見落としていることはありますか？ 私の考え方に何か誤りはありますか？

「多くの医師や看護師は、まず自分の仕事をしっかりとこなした上で、AIを『もう一つの目』として活用するのが賢明だと思います。」 - ピーター・リー博士

ドンは、AIが完璧でなくてもこれが機能する理由を次のように指摘しています：

「これは、いわば意思決定者の視野を広げてくれるのです。」 たとえ少し間違っていたとしても、このユースケースには何の問題もありません。だって、あなたはただ私の視野を少し広げてほしいと頼んでいるだけですから。 「他に考慮すべき点はありますか？」 - ドン・ウッドロック

AIは意思決定を行っていません。 むしろ、それは意思決定の選択肢を広げることなのです。 このアプローチは、システムに自律的な動作を要求することなく、見落としに対するチェック機能を提供することで、医療従事者の認知的負荷を軽減するのに役立ちます。

導入の範囲は、この種の検証から、腫瘍カンファレンスの調整、さらには自律的なマルチエージェント診断にまで及びます。 医療機関は、自組織のデータ成熟度とガバナンスが許す範囲内で導入を進めることができ、その成功は、目標と準備状況のバランスを適切に取れるかどうかにかかっています。

スタンフォード大学の腫瘍症例検討会は、臨床連携を自動化しています。 医療分野の管理業務についても同様の傾向が見られ、その数字は無視できないものです。

米国の医療機関は、 管理業務に年間1兆ドル以上を費やしています。 患者ケアについてではなく、連携についてです。

具体的には次のようなことです：

• あるシステムから情報を取得し、別のシステムと照合する
• ドキュメントの作成
• ポータルサイト経由での提出
• また、結果の追跡

これは臨床医の時間を奪い、引き継ぎのたびにミスを招きます。 医療従事者は、ポータル間のデータを照合するためではなく、患者に思いやりのあるケアを提供するためにこの業界に入ったのです。

典型的な事前承認のワークフローを考えてみましょう。 今日は、コーディネーターが：

1. EHRから診療記録を取得する
2. 別のポータルで、支払者ごとの要件を確認します
3. 資料一式をまとめる
4. また別のシステムを通じて送信する
5. また、承認状況を監視し、多くの場合、数十件の案件を同時に管理しています

エージェント型システムでは、エージェントが情報の検索、組み立て、整合性チェック、および送信を処理します。 コーディネーターは、完成した書類一式を確認し、例外事項に対応します。 45分かかっていた作業が、10分で済むようになった。

これは単なる仮定の話ではない。 MUSC Healthでは現在、エージェント型AIを活用し、人間の介入を一切必要とせずに事前承認の40％を自律的に処理しています。

InterSystems HealthShareは、事前承認サポート、保険適用要件の特定、文書テンプレートなどを含む「 Payer Services」スイートを通じて、これらのワークフローをサポートしています。これにより、組織は標準に基づいた基盤を得て、既存の保険者・医療提供者間の連携システムにエージェント型自動化を組み込むことが可能

になります。

デロイト・センター・フォー・ヘルス

・ソリューションズが米国の医療テクノロジー企業の幹部100名を対象に実施した調査によると、85％が今後2～3年間でエージェント型AIへの投資を拡大する計画であり、98％が管理上の間接費の削減とリソース活用の向上を通じて、少なくとも10％のコスト削減を見込んでいることが明らかになりました。

医療業界のリーダーたちは、エージェント型テクノロジーが病院や医療システム全体において、業務効率の大幅な向上をもたらすと期待しています。

こうした医療ワークフローにおける根本的な課題は、データの断片化です。 事前承認、保険請求、予約管理はすべて、電子カルテ（EHR）、請求システム、保険者ポータルなどに散在する情報に依存しています。

InterSystems IRIS for Healthは、医療システムが既存のインフラを撤去・置き換える必要なく、エージェント型システムがリアルタイムでデータにアクセスし、整合性を確保できるようにする統合および相互運用性のレイヤーを提供します。

事務処理にとどまらず、エージェント型システムは、医療組織が退院後の患者ケアをどのように扱うかという在り方を変革し始めています。 AIエージェントは、患者の症状をモニタリングし、服薬遵守状況を確認し、経過観察の予約を手配し、懸念事項をケアチームに通知することで、問題が深刻化する前に早期に発見できるリアルタイムのモニタリングを実現します。

こうした先を見越した機能により、医療提供者は患者に対してより明確なスケジュールと信頼性の高いコミュニケーションを提供できるようになり、バックエンドのワークフローを安定させると同時に、ケアの質と患者体験全体を向上させることができます。 （臨床現場におけるAIを活用したワークフローの再設計に関する詳細な事例研究については、当社の「医療の自動化」に関する記事をご覧ください。）

ポータル間でデータの照合に費やす1分1分は、患者と向き合う時間が1分減ることを意味します。 エージェント型システムが調整業務を担うことで、ケアチームは思いやりのあるケアの提供に専念できるようになります。

上記で述べたことはすべて、ある一つの要素、すなわち「データ」にかかっています。 MEARフレームワークは、その依存関係を明示的に示しています。 記憶には、記憶の対象となる臨床データが必要です。 権限を付与するには、アクセス権を付与するシステムが必要です。 アクションには、応答するAPIが必要です。 推論には、整理され、構造化された入力データが必要です。

ほとんどの医療システムでは、患者データは電子カルテ（EHR）、請求プラットフォーム、保険者向けポータル、FAX、各部門のデジタルツールなどに分散して保存されており、形式も異なり、データの完全性も更新サイクルもそれぞれ異なります。 医療データの大部分は、既存のシステムではエージェント型AIアプリケーションが要求する規模で処理できない形式に閉じ込められたまま、未活用の状態にあります。 こうした分断化と、それが引き起こす相互運用性の問題により、医療システムは大きな課題に直面しています。

エージェント型システムの導入を検討している医療機関にとって、3つの基盤が重要です。

FHIRやHL7といった医療分野の相互運用性標準は、エージェント型システムが稼働するための基盤となっています。 クラウド管理型サービスとして提供 されるInterSystems HealthShare Health Connectは、プロトコルの変換やメッセージのルーティングを処理し、インテリジェントエージェントが臨床システム間で通信できるようにします。これにより、HL7、FHIR、X12、DICOM、その他の医療標準規格に対応し、カスタムなポイントツーポイントの統合を必要とせずに運用が可能です。 このモジュール型アーキテクチャにより、医療機関はシステムを全面的に入れ替えるのではなく、段階的に異なるシステムを連携させることが可能になります。

データを一元的なデータウェアハウスに集約する（ほとんどの医療システムには予算的に無理な、数年を要するプロジェクト）のではなく、「 スマート・データ・ファブリック」アプローチでは、データをその場（元の場所）で統合し、データを移動させることなくエージェントに統一されたビューを提供します。

これは、InterSystemsがIRISプラットフォームに組み込んだアプローチであり、異種なソースに分散した断片化されたデータをリアルタイムで接続・統合することで、エージェント型システムが全体像から洞察を導き出せるようにします。

これらは、エージェントが独自に実行できること、いつ上層部に報告すべきか、そしてすべてのアクションがどのように記録されるかについて、明確なルールを定めたものです。

エージェント型システムにはエラーが発生します。 それは当然のことです。

規制遵守の要件により、アーキテクチャの役割は二重に重要になります。つまり、エラーが患者に届く前にそれを捕捉しなければならないのです。 マルチエージェントによる議論、人間が関与するチェックポイント、AIが患者のケアにどのように関与しているかについての患者への透明性の確保、および監査証跡は、単なるオプション機能ではありません。 この技術が機能するのは、彼らのおかげです。

導入の障壁は徐々に低くなりつつあります。 デロイトの調査によると、医療業界の経営幹部の40％が、以前は技術系人材の不足が最大の障害であったものの、現在ではもはや大きな課題とは見なされていないと回答している。 また、変化への抵抗やデータ品質に関する懸念も、障害要因としての存在感が薄れており、リーダーの38％と32％が、それぞれこれらの分野で改善が見られたと報告しています。

医療業界のリーダーたちは、依然として強固なデータ基盤とガバナンス体制の構築に注力する必要がありますが、その道筋は1年前よりも明確になっています。

知っておくべき点として、エージェントは人間のワークフローよりも早く、かつ率直にデータ品質の問題を浮き彫りにします。 レコードに含まれる情報が矛盾しているため、エージェントがタスクを完了できない場合、それは技術的な不具合ではなく、診断上の兆候です。 これは、基礎のどの部分に補修が必要かをシステムが教えてくれているのです。

医療分野におけるエージェント型AIが成熟し続ける中、ピーター・リー氏が将来について率直に語っていること自体が、注目すべき理由となっています：

「だからといって、終盤になってエージェント型AIが大きな存在になるというわけではない。」 そうかもしれません。 予測するのは難しいですね。 「しかし、今日、エージェントベースのシステムを世の中に導入するための大きな動きが間違いなく起こるでしょう。」 - ピーター・リー博士

マイクロソフト・リサーチの社長による、こうした冷静な評価は、十数回の「ハイプサイクル」よりもはるかに価値があります。 配備に向けた動きは本物です。 それがどこへつながるのかは、正直なところ不明です。

現在、能動型AIを評価している医療分野のリーダーの方々に向けて、以下に3つの出発点を挙げます：

御社のケアチームは、システム間で情報を取得・照合・整理するのに、どこに最も多くの時間を費やしていますか？ こうした処理量が多く、連携が求められる医療業務のワークフローこそ、エージェント型AIが最も迅速に成果をもたらす分野です。

インテリジェントエージェントが自律的に動作するには、相互運用可能な構造化された医療データが必要です。 （ データをAI対応にすることは、現実的な出発点となります。）今その基盤を築いておく医療機関は、技術が成熟した段階で、エージェント型システムを導入できる態勢を整えることになるでしょう。

まずは臨床医やスタッフを支援する主体性重視のシステムから始め、ガバナンス体制が成熟し、信頼が高まるにつれて自律性を拡大していきます。 能動型AIの導入を成功させるには、データの整備、ガバナンス、および変更管理という強固な基盤が必要です。

最大の恩恵を受ける医療機関は、最も多くのエージェントを導入した組織とは限りません。 そこでは、AIシステムと臨床医が互いに高め合い、医療を「事後対応型の連携」から「先を見据えたインテリジェントなケアの提供」へと変革していくことになるでしょう。