医療分野における対話型AI：医療システム向け実践ガイド

医療分野における会話型AIとは、テキストや音声といった自然言語を使って、患者、医療提供者、スタッフとコミュニケーションを取り、患者のトリアージから予約の調整に至るまで、さまざまな業務を処理する人工知能システムを指します。 これらの対話型AIツールは、自然言語処理（NLP）と機械学習を組み合わせて、ユーザーの質問内容を理解し、その背後にある意図を解釈し、まるで人間との会話のような応答を行います。

この技術はもはや理論上のものにとどまりません。 医療機関では、患者ポータル上のメッセージを管理するために対話型AIシステムを導入しており、これは手作業によるワークフローでは対応しきれないほど大きな問題となっています。 「以前はメッセージ1件につき患者の来院1回という比率でしたが、現在では一部の研究で6対1になっていると報告されています」と、インターシステムズの社長ドン・ウッドロックは述べています。

医療機関向けの対話型AIソリューションの評価を行っている場合でも、この技術がどこで測定可能な成果をもたらすのかを理解しようとしている場合でも、以下では、実際の導入事例や公表された研究に基づいた、現在有効な手法について詳しく解説します。

本質的に、対話型人工知能とは、自然言語処理を用いて書かれた言語や話し言葉といった人間の言語を解析し、機械学習を活用して時間の経過とともに応答の精度を向上させていく手法です。 厳格なスクリプトに従うルールベースのチャットボットとは異なり、最新の対話型AIシステムは文脈を理解し、意図を認識し、それぞれのやり取りの具体的な状況に合わせて応答を生成します。

医療分野では、他の業界に比べてリスクがより高くなります。 対話型AIツールは、臨床用語を適切に処理し、患者からのメッセージに含まれる緊急性を検知し、プライバシー規制を遵守し、電子カルテと連携できなければなりません。 この分野におけるバーチャルアシスタントやAIチャットボットは、医療専門家の代わりになるものではありません。 これらは、よくある質問への回答、メッセージの転送、返信文の作成など、臨床スタッフの時間を奪う日常的なコミュニケーション業務を代行することで、臨床スタッフが患者への直接的なケアに集中できるようにします。

この区別は重要です。会話型AIは生成AIと同義ではありません。 従来のNLPや分類手法を採用しているシステムもある一方で、新しいシステムでは、文章作成、要約、対話などに生成AIを活用している場合もあります。

患者ポータルを通じたメッセージのやり取りが急増しています。 2025年のMGMAの調査によると、医療グループの70％が、2024年に患者ポータルへのメッセージ件数が増加したと報告しています。 複数の研究により、新型コロナウイルス感染症（COVID-19）の流行後に急増した患者のデジタルエンゲージメントが定着したことが確認されており、患者は現在、テキストメッセージを送るのと同じくらい手軽にポータルサイトを通じて医療提供者とコミュニケーションをとれることを期待しています。

問題は、単にその量だけではありません。 そのボリュームの中に埋もれているものこそが問題なのです。

「メッセージの4～10％は緊急のものだ……患者は本来、それをポータルに投稿すべきではなかったのかもしれないが、それでも投稿してしまい、それがただそこに放置されているだけだ」とドンは説明します。 医療システムの多くは、ポータル上のメッセージに対する返信時間を24～48時間以内とすることを約束しています。 つまり、金曜日の午後11時に送信された緊急のメッセージは、月曜日の朝まで未読のまま放置される可能性があるということです。

さらに問題を深刻にしているのは、患者がメッセージの件名や担当部署を選択する「患者による自己分類」が、正確なのは約半数にとどまっているという点です。 それだけでは、臨床ワークフローを推進するには信頼性が不十分です。 メッセージが間違ったキューに振り分けられ、何時間も放置された後、ようやく適切なチームに転送されるため、すでに負荷のかかっているシステムにさらなる遅延が生じています。

これこそが、対話型AIが解消するために開発された課題なのです。 複数の電子カルテシステムにまたがるポータルメッセージを管理している医療システムにおいて、 InterSystems HealthShareのようなプラットフォームは、さまざまなソースからの患者データやメッセージを統合して一元的なビューとして表示します。これにより、対話型 AI がメッセージの優先順位付け、ルーティング、および効果的な応答を行うために必要な基盤が構築されます。

患者ポータルでのメッセージングにおいて、対話型AIの最も実績のある活用例として3つのアプリケーションが挙げられており、いずれも医療分野における他のAIアプリケーションに比べて精度が高く、リスクも低い。

最もシンプルな活用例：AIモデルを学習させ、患者からの緊急メッセージを自動的にフラグ付けさせる このシステムは、受信メッセージをスキャンし、胸痛、呼吸困難、薬物反応などの緊急性の高い状況に関連する言語パターンを特定して、直ちに確認できるようタグ付けを行います。

実際には、これにより、午前7時に出勤したコンタクトセンターの担当者は、処理待ちの案件を緊急度順に並べ替え、まず重要な案件から対応し、その日の残りの時間も効率的に業務を進めることができます。 最も緊急性の高いメッセージは夜間や週末に届くことが多いため、このワークフローにより、手動による確認では見落とされがちなケースを確実に捕捉することができます。

NYU Langone Healthは、4万件以上の患者メッセージを用いて学習させたBERT（自然言語処理アーキテクチャ）を用いた緊急度検出モデルを開発・導入しました。 このシステムは、患者への電話連絡など、直ちに対応が必要な状況を特定するもので、数年前から本番環境で運用されています。 検証において、このモデルはC統計量97％、平均精度72％を達成した。実運用における二値分類では、精度は67％、感度は63％でした。

2つ目の活用例：AIが患者からのメッセージに対する返信案を提案し、医療従事者がそれを確認・編集した上で送信します。

ここで注目すべきは、共感に関する意外な発見です。 『JAMA Internal Medicine』誌に掲載された2023年の研究では、患者からの質問に対する医師の回答と、チャットボットが生成した回答とを比較しました。 評価者たちは、チャットボットの応答を質が高く、はるかに共感的であると評価し、医師の応答のみの場合と比べて、「共感的」または「非常に共感的」と評価される確率が9.8倍になっていました。

「コンピュータが人間よりも共感力が高いからではなく、共感には時間がかかるからだ」とドンは述べています。 患者の懸念に耳を傾け、心からの配慮を示しつつ、かつ臨床情報も伝えるようなメッセージを作成するには数分を要しますが、医師は数十件ものメッセージに対応しなければならないため、その時間を確保することはできません。 AIにはその議事録があります。

ドン氏は、最も効果的な形式を「共感サンドイッチ」と表現しています：

• 冒頭：患者への挨拶と配慮を示す - 「ジョーンズ様、ご連絡いただきありがとうございます。私たちは、あなたへのケアを大切に考えております……」
• 中段：臨床的内容 ― この部分は人間が執筆するか、大幅な加筆・修正を行う
• 締めくくり：安心感の提供と今後の手順 - 「これでご質問にお答えできたでしょうか。何かありましたら、いつでもお気軽にお問い合わせください。電話番号はこちらです」

AIが、共感あふれるを支えを作る 臨床医は、自分たちが最も得意とする分野、つまり中核となる臨床指導に注力します。 患者の満足度が向上します。 スタッフの生産性が向上します。 どちらも測定可能です。

3つ目のアプリケーションは、ポータルワークフローにおける最も非効率なボトルネックの1つである、手動によるメッセージ転送を解消します。

ほとんどの医療システムでは、受信メッセージは一次キューに格納されます。 担当者が一つひとつ開封して内容を確認し、スケジューリング、処方箋の再発行、看護、あるいはその他の適切な部署に転送します。 そのメッセージは、誰かがルーティングを行うまで、最初のキューに丸一日留まったままになる可能性があります。 患者は待っています。 スタッフの時間は、問題解決ではなく、仕分け作業に費やされてしまいます。

会話型AIモデルなら、メッセージを分類し、一次対応の待ち行列を完全に迂回して、適切な対応チームに直接振り分けることができます。 公表されているルーティングモデルは、精度とワークフローの面で著しい改善を示していますが、その性能は医療システム、カテゴリーの設計、学習データ、および導入方法によって異ります。

この手法を実用的なものにしているのは、その実装の工夫にある。「データにラベルを付ける必要すらない」とドンは説明します。 「過去の転送履歴やプール割り当ての履歴に基づいて自動的にラベル付けされます。」医療機関は、過去数ヶ月間の自組織の転送履歴を用いてルーティングモデルを学習させることができます。 このモデルは、メッセージが最終的にどこに到達するかを学習し、そのルーティングを自動的にシミュレートします。 手動によるアノテーションはありません。 過去のルーティング履歴を活用することで、手動によるラベル付けの負担を軽減できますが、実装にあたっては依然として検証、ガバナンス、および監視が必要です。

患者ポータルでのメッセージングは、その有効性が最も強く裏付けられている分野ですが、医療分野における対話型AIの活用は、患者のケアプロセス全体に及んでいます：

• 予約の調整とリマインダー- バーチャルアシスタントが24時間体制で予約の受付、日程変更、確認対応を行うことで、コールセンターへの問い合わせ件数を減らし、予約の無断キャンセルを削減します。
• 症状の確認と臨床意思決定支援- 体系化されたトリアージフローにより、患者は自身の症状を評価し、セルフケアから緊急診療、対面診療に至るまで、適切な医療レベルを見極めることができます。
• 服薬管理と慢性疾患の経過観察― AIを活用したリマインダーにより、高血圧や糖尿病などの疾患を管理する患者の服薬遵守率が向上します。
• メンタルヘルス支援― 対話型AIツールは、セラピーのセッションの合間に、メンタルヘルスの状態確認、対処法、ガイド付きセルフケアを提供します。これらは利用しやすく、多くの場合匿名で利用できるため、診療時間外においてもメンタルヘルス支援を継続するのに役立ちます。 これらのツールは、臨床ケアの代わりとなるものではありません。なぜなら、効果的な導入には、危機の検知、エスカレーション手順、臨床医による監督、および使用上の制限の明確な周知といった安全対策が含まれるからです。
• 事務業務および請求に関するお問い合わせ- 保険、請求、患者記録に関するよくある質問への回答を通じて、スタッフの時間を奪う事務業務を軽減します。

共通点は、対話型AIが日常的で大量の患者対応を処理することで、医療従事者が複雑な臨床業務に集中できるようになるという点です。

生産性の向上は直接的なものです。 緊急度の自動タグ付けとインテリジェントなルーティングにより、医療機関がメッセージの仕分けに費やす時間を削減できます。 AIが作成した回答案により、コンタクトセンター担当者の作成時間が短縮されます。 導入されたルーティングモデルに関する公表済みの研究によると、ル ーティングされたメッセージグループは、手動でルーティングされたメッセージと比較して、初期応答時間を中央値で1時間短縮し、会話の合計時間を22時間以上短縮したことが示されています。 人員を増やさずに、スタッフはより多くの患者に対応することができます。

臨床現場では、スピードが重要です。 緊急のメッセージが数時間ではなく数分以内に特定され、対応されれば、患者の安全が向上し、その結果として治療成績も向上します。 共感を込めた丁寧な回答が患者により早く届くようになれば、患者の関与度と満足度は高まります。 服薬リマインダーが予定通りに届くと、特に慢性疾患を管理している患者において、服薬遵守率が向上します。 より良い患者ケアは、より迅速かつ正確なコミュニケーションから始まります。 インターシステムズの顧客との協業を通じてドンが得た評価：「導入した顧客からは非常に好意的なフィードバックが寄せられています……処理時間が短縮され、コンタクトセンターの担当者からも非常に好評です。」

ドンはリスクについて現実的な見解を示している。医療分野におけるこれらのAIアプリケーションは、診断用や臨床用のAIに比べ、リスクが低いカテゴリーに分類されます。 「いずれいしろ、君はすべてのメッセージを読んでいるんだ」と彼はいいます。 緊急度タグ付けとルーティングに関しては、AIが仕分けとフィルタリングを行っており、人間は依然としてすべてのメッセージを確認しています。 提案された回答については、担当者が編集して送信します。 このAIは、臨床的な監督を損なうことなくワークフローを効率化します。

モデル自体のサイズも小さいです。 「これらは、2018年に発表されたBERTを微調整した、より小規模な言語モデルです。」 「ノートパソコンや小型サーバーで実行でき、クラウドサービスにデータを送信するリスクもありません」とドンは指摘します。 オンプレミスでの導入により、多くの医療機関がAIの導入を躊躇させる原因となっているデータプライバシーに関する懸念が解消されます。 患者データは、組織のインフラ外に出ることはありません。

患者データを扱う会話型AIシステムは、すべて「医療保険の相互運用性と説明責任に関する法律（HIPAA）」に準拠しなければなりません。 つまり、暗号化、アクセス制御、監査ログの記録、および関係するベンダーとの間で締結する業務提携契約（BAA）が求められます。

ドンが指摘したオンプレミス型モデルに関する点は、ここでも重要です。 緊急度タグ付けおよびルーティングモデルは、クラウドAPIへの呼び出しや外部へのデータ転送を一切行わずに、ローカルインフラ上で実行できるほどコンパクトです。 オンプレミスでの導入により、外部のAI APIへの依存度を低減し、データの移動を制限することは可能ですが、プライバシーの確保は、アーキテクチャ全体、ログ記録、ベンダーへのアクセス、およびガバナンス管理に左右されます。

クラウド接続を必要とする対話型AIプラットフォーム、特に応答生成に大規模な言語モデルを使用するものについては、医療提供者は、HIPAAへの準拠状況、データ居住地に関するポリシー、およびモデルのトレーニングに患者データが使用されているかどうかを確認する必要があります。 電子カルテの統合により、さらなる課題が生じます。会話型AIツールには患者記録への読み取りアクセス権が必要となるため、どのデータがどこへ流れるかに関するガバナンスが求められます。

トレーニングデータのガバナンスも重要です。 過去の転送履歴はトレーニング用ラベルとして活用できますが、メッセージの内容については、引き続き安全な取り扱い、必要に応じて匿名化、および管理されたアクセスが必要です。

会話型AIの導入を検討している医療機関にとって、現実的なアプローチは、リスクが低く、即座に価値をもたらすアプリケーションから始めることです。

精度が最も高く、リスクが最も低いところから始めましょう。 緊急度タグ付けとメッセージルーティングは、いずれも90％以上の精度を達成しており、人間の介入を伴って運用され、オンプレミスで実行可能なコンパクトなモデルを採用しています。 これらは、突拍子もないプロジェクトではありません。 これらは、公表されたエビデンスに基づいたワークフローの改善策です。

ご自身のデータを活用してください。 自動ラベル付けされたトレーニングデータに関するドンの洞察は、導入における大きな障壁を取り除いてくれます。 コンタクトセンターのチームが過去6か月間にわたってメッセージを転送してきたのであれば、ルーティングモデル用のトレーニングデータはすでに揃っていることになります。 アノテーションプロジェクトは不要です。

臨床医にも情報を共有しましょう。 AIが提案した返信については、モデルが下書きを作成し、人間が確認して送信します。 これは、公表された研究において共感と品質の向上をもたらしたワークフローです。データ基盤の準備が整っていることを確認してください。

 会話型AIの効果は、アクセスできるデータの質に左右されます。 InterSystems IRIS for Healthおよび Health Connect は、対話型 AI プラットフォームが患者記録にアクセスし、システム間でメッセージを転送し、既存の臨床ワークフローと連携するために必要な、相互運用可能なデータ層と統合エンジンを提供します。これは、特に複数の EHR が導入されている環境において有効です。

医療分野における現在の会話型AIは、主に受動的な働きをしており、メッセージに応答したり、メッセージを転送したり、返信の草案を作成したりします。 医療分野における次世代のAIは、能動的なものとなるでしょう。

より高度な自然言語処理（NLP）モデルは、緊急性だけでなく、感情の微妙な変化も検知できるようになります。例えば、時間の経過とともにメッセージが短くなり、苛立ちが募っている患者や、通常よりも多くの疑問を招いているケアプランなどが挙げられます。 対話型AIシステムは、ウェアラブルデバイスや遠隔モニタリングデータと連携し、患者がメッセージを送信する前から、リスクのある患者を特定できるようになります。

多言語対応機能により、患者のアクセスが拡大しています。患者が希望する言語で流暢にコミュニケーションをとれるAIアシスタントは、医療提供における最も根強い障壁の一つを取り除きます。 また、FHIRのような相互運用性標準が成熟するにつれ、対話型AIツールは医療システム間をより容易に移動できるようになり、導入が迅速化され、カスタム統合への依存度も低くなるでしょう。

現在、医療分野で対話型AIに投資している医療機関は、今後10年間にわたって頼りとなるコミュニケーション基盤を構築しているのです。