断片化されたデータから信頼できるAIへ：医療システムがどのようにその基盤を築くか

AIは巨額の投資を集めている技術ですが、パネリストたちは、そうした投資が成功するかどうかの決定的な要因は、依然としてデータにあるという点で一致しました。 正確で完全、かつ適切に管理されたデータがなければ、どんなに高度なAIツールであっても、有意義な結果を生み出すことは困難です。

多くの組織が、自社のデータ基盤がまだエンタープライズAIを支える準備が整っていないことに気づき始めています。 スミス氏によると、一般的な課題としては、データ品質のばらつき、記録の不備、タイムラインの欠如、ガバナンスの断片化、そして情報の収集・管理方法に関する透明性の欠如などが挙げられます。

医療システムでは、データ整備を単発的な整理作業として扱うのではなく、継続的な運用能力として捉える傾向が強まっています。 「業界全体で、医療機関はデータの整理が必要だと認識しており、手作業による整理を多く行っていますが、これは持続可能ではありません」とスミス氏は述べました。 「自動化されており、品質保証が確保され、かつ透明性のある洗浄方法が必要です。 「そして、そのデータにAIを適用することで、必要な検証が可能になるのです。」

ウェバー博士はこの課題を次のように簡潔に要約しました。「データはAIの燃料である。」しかし、多くの組織は、AIパートナーの製品を決定し、その導入を試みてから初めて、その基盤の弱点に気づきます。 その時点で、チームは本来もっと早い段階で対処すべきだったデータ品質の問題に直面し、導入が停滞します。その結果、価値の実現が遅れるだけでなく、余分な時間、リソース、投資を費やすことになってしいます。

今日、各組織は、断片化された構造化データや非構造化データを、エンタープライズ・データレイク、データウェアハウス、クラウドプラットフォームに集約しています。 医療機関が臨床、運営、財務に関する情報をより多く収集するにつれ、課題はもはや単に情報を収集することではなく、組織全体でそれらを統合し、管理し、意味を見出すことにあります。

「私たちが考えていた以上に多くの情報があるのです」とヴィラリン医師は述べました。 増え続けるデータに加え、新たなデータ要素やデータソースを統合することは、組織にとって依然として課題となっています。

しかし、その情報を効果的に集約・管理できれば、AIを活用することで、従来の方法では不可能なほど膨大なデータを分析し、関連性の高い洞察を引き出し、複雑な疑問にはるかに迅速に答えを出すことが可能になります。

パネリストたちはまた、AIの効果は、その基盤となるデータの一貫性次第であることも強調しました。 「同じデータを組織内のあらゆる場所に共有しなければならない」とチャダ博士は述べました。 患者が救急外来、専門外来、あるいはプライマリケア診療所のいずれで診察を受ける場合でも、臨床医は、同じ完全かつ信頼性の高い情報にアクセスできる必要があります。 その共通の基盤がなければ、AIは企業全体としての価値を生み出すどころか、断片的な知見を生み出すリスクがあります。

企業全体にわたるデータプラットフォームを構築している組織がある一方で、明確に定義された少数のAI活用事例から着手し、それらに関連する必要なデータを整備することを選択した組織もあります。 「現在登場している臨床での活用事例の多くは、AIなしでは実現できなかったものばかりであり、単にAIが同じプロセスをより速く行えるというケースとは異なります」とウェバー博士は述べました。

多くの医療機関は当初、AIに解決してほしい具体的な課題を明確にすることなく、広範な野心を持ってAIに取り組みました。 技術が成熟するにつれ、経営陣は、AIの取り組みを成功させるには、技術そのものではなく、明確なユースケースから始めることが重要であると認識するようになった。 「今や、AIだけではすべてを解決できないということは、私たち皆が理解している」とスミス氏は述べました。 「私たちが解決しようとしている問題が何であるかを正確に把握し、その問題に対して解決策を適用する必要があります。」

信頼を保ちながらAIをスケールさせる上でも、ガバナンスは極めて重要です。 ガバナンス体制が整い、データが準備され、成功したパイロット事業を拡大するためのインフラが整備されていることを確認するまで、パイロット事業の承認や開始を行わない組織もあります。 パイロットプロジェクトを成功させ、本番運用に移行させ、組織全体に価値をもたらすためには、臨床担当者の賛同を得ることが同様に重要です。

懐疑的な見方を払拭するには、どのようなシステムが使用されているのか、またなぜそれらがワークフローに組み込まれているのかについて、信頼関係を築く必要があります。

「トレーサビリティと透明性は、信頼を築く要素の一部です」とスミス氏は述べました。 「その両方が必要であり、かつ、解決しようとしている問題に対して、質の高い基盤が整っていなければならなりません。」 「すべてのデータに対して高品質である必要はなく、その特定の問題に対して高品質であればよいのです。」

その信頼は、現場において特に重要です。グレーバー博士によると、医療従事者は、新しい解決策を押し付けられると、しばしば懐疑的になるそうです。 「現場の臨床医にとって、これが機能しなくなると、当然ながらシステムへの信頼を失い、使用をやめてしまう。その結果、組織全体でAIの導入が完全に頓挫してしまう」とグレーバー博士は述べました。

データガバナンスが確立され、AI戦略が明確に定義されている組織でさえ、システム間で情報がシームレスにやり取りされることを確保するという、別の課題に直面しています。

データから実用的な知見を引き出すには、単に一度きりのデータ集計を行うだけでは不十分です。 そのためには、リアルタイムの相互運用性を通じて、複数の情報源からの最新データを常に共有できることが求められます。

医療システムにおいて、CMSなどの州および連邦機関や保険者向けにデータを集約するには、相互運用性が不可欠です。 また、患者は特定の場所にしかいないわけではなく、特定の医療機関の特定の医師だけを受診しているわけではないため、相互運用性も必要となります。 患者の臨床データは、患者がどこにいても利用可能でなければなりません。 「これは、患者や医療システム、そして医療界のリーダーたちが求めるべきことだ」とチャダ博士は述べました。

相互運用性の範囲は、過去10年間で大幅に拡大しています。 かつては限られた臨床情報の交換に主眼が置かれていましたが、現在では、組織全体にわたる臨床データ、業務データ、管理データを統合し、臨床医やAIアプリケーションの双方にとってより包括的な全体像を構築する方向へと進化しています。

「私たちは、ごく一部の臨床データから始めました。 「現在、私たちはより確固たる臨床データや、その他の企業データについて議論しているところです」とスミス氏は説明しました。 「相互運用性を適切に実現するためには、これまで個別に管理されていたさまざまなデータソースを統合し、活用可能な状態にする必要があります。」

こうした臨床およびデータ分野のリーダーたちは、将来を見据えて、AIの成功は最新の技術を導入することよりも、適切な基盤を構築し、規律を持って実行することにかかっていると考えています。 つまり、適切な機会を見極め、あらゆる取り組みを組織の使命と整合させ、人間の専門知識とAIがそれぞれ最も付加価値をもたらす領域を慎重に定義し、規模を拡大する前に、信頼を築くための焦点を絞ったユースケースから着手することです。