ヘルスケアの自動化：その概要、効果的な取り組み、そしてあるクリニックが成功させた事例

ある眼科手術センターでは、患者数が減少していました。 他院に奪われるのではなく、予約しても来院しない事象です。 毎週、予約された診察の18％が未受診でした。 4人の常勤スタッフが、約500人の患者に電話をかけ、予約の確認に一日中奔走しました。 それがうまくいかなかったため、クリニックは数字が合うことを期待して、無作為に予約枠を上回って受け付けました。 ある日は、患者さんが全員来院し、待合室は大混乱になることがありました。 それ以外の日は、予約枠が空いたままでした。

そこで、クリニックは予測モデルを構築しました。 「シンプルで、作るのがそれほど難しくない表形式のAI」――インターシステムズのドン・ウッドロック社長が、自身の『Code to Care』シリーズでこう説明しています。 このモデルは、どの患者が予約を欠席する可能性が高いかを予測しました。 スタッフは全員に電話をかけるのをやめ、必要な患者だけに電話をかけるようにしました。 ノーショーの割合は18％から10％に減少しました。 電話をかけたチームは4人から1人に減りました。

技術的な部分は簡単でした。 ワークフローの再設計こそが、真の価値を生み出したのです。

以下では、彼らがどのように取り組んだかの詳細な解説、この手法を再現可能にする4段階のフレームワーク、そして自組織で最初の自動化による成果を上げるための実践的なロードマップをご紹介します。

ヘルスケアの自動化とは、これまで手作業を必要としていた臨床業務や事務業務を、人工知能、機械学習、ロボティック・プロセス・オートメーション（RPA）、およびデジタルツールを活用して行うことを指します。 その範囲は、予約のリマインダーを送信するルールから、受診を欠席する患者を特定する予測モデル、さらには多段階のワークフローを自律的に推論するエージェント型AIシステムに至るまで多岐にわたります。

目標は単純明快です。医療従事者が、人間の判断を必要としない作業ではなく、判断を要する業務に時間を費やせるようにすることです。

週に500件ものリマインダー電話をかける必要がなくなったスケジュール調整担当者は、その時間を、複雑なニーズを持つ患者へのフォローアップに充てることができます。 手作業によるデータ入力から解放された請求担当者は、調査が必要な不承認請求に注力できるようになります。 記録業務を環境音認識技術に任せることができる看護師は、ベッドサイドでの患者への直接的なケアにより多くの時間を割くことができまます。

医療機関の約90％が、何らかの形で医療分野における自動化を導入しており、少なくとも1つの分野においてAIを活用した自動化ツールを導入または試験運用しています。 世界の医療自動化市場は、 2030年末までに 680億-880億ドル0 に達すると予測されており、年間約9％のペースで成長すると見込まれています。 ヘルスケア分野における自動化は、バックオフィスの事務作業から現場の患者ケアに至るまで急速に広がっており、最も顕著な成果を上げている医療機関は、既存のシステムに単に自動化技術を付け加えるのではなく、その技術を中心にワークフローを再設計しています。

今日の減るるケア分野における自動化の大部分は、4つの技術分野によって支えられています。 それぞれがどのような場面に適しているかを理解することで、医療従事者や医療機関は、適切な自動化ツールを適切な課題に組み合わせることができるようになります。

ロボティック・プロセス・オートメーション（RPA）は、フォームへの入力、システム間のデータ転送、保険金請求の提出、患者の受付書類の処理など、反復的でルールに基づいた事務作業を処理します。 RPAはあらかじめ定義されたルールに従い、人間よりも迅速かつ一貫性を持ってそれらを実行することで、医療プロセス全般における人的ミスを削減します。 これは、医療分野におけるプロセス自動化の主力製品です。

AIや予測モデリングは、過去の患者データからパターンを学習し、予測を行うことで、単なるルールに基づく対応の枠を超えています。具体的には、どの患者が予約をキャンセルする可能性が高いか、どの請求が却下される可能性が高いか、どの患者が再入院のリスクがあるかといった予測を行います。 ドン・ウッドロック氏の「ノーショー・モデル（来院しない）」は、AIが医療分野の自動化を推進する典型的な例です。 InterSystems IRIS Data Platform のようなプラットフォームには、 IntegratedML が組み込まれています。これは、開発者が SQL コマンドを使用して予測モデルを作成、学習、展開できるようにする組み込みの機械学習機能であり、専用のデータサイエンスチームがすべての予測モデルを個別に構築する必要がなくなります。 こうしたツールのおかげで、AI部門を持たない医療機関でも、ドンの「シンプルな表形式のAIモデル」を活用できるようになります。

自然言語処理は、臨床記録、患者からのメッセージ、保険書類、病理検査報告書といった非構造化テキストを読み取り、解釈します。 NLPを活用することで、環境データの自動記録、患者からの問い合わせに応答するバーチャルアシスタント、自由記述形式の医療記録から構造化データを抽出する自動化システムといったプロセスが可能となり、医療システム全体におけるデータ入力とデータ分析の効率化が図られます。

インテリジェント・オートメーションは、ロボティック・プロセス・オートメーション（RPA）、機械学習（ML）、自然言語処理（NLP）を組み合わせることで、判断力を要する複雑なタスクや多段階のプロセスを処理します。 文書の取得、コンプライアンスの確認、書類一式の作成、および例外案件を人間の審査担当者に回すといった、事前承認のワークフローを検討してください。 AI／MLは、医療分野における自動化関連支出の中で、最も急速に成長している分野の一つです。

ヘルスケア分野の自動化に関する報道の多くは、技術や活用事例を挙げています。 もっと有意義な問いは、医療分野における自動化は実際にどのような問題を解決しており、どのような患者の転帰を改善しているのか、ということです。

医療従事者たちは、患者へのケアを提供するためにこの分野に入りました。 しかし、多くの人が、予約の調整、データの入力、書類の処理、診察記録の作成といった、時間を要する業務に何時間も費やしています。 ヘルスケア分野における自動化は、その時間を取り戻し、業務効率と患者満足度の両方を向上させています。

スケジュール管理および予約管理 自動予約システムは、予約の受付、確認メッセージの送信、患者への予約変更や遠隔診療の選択肢の提示、および待機リストの管理を行います。 自動リマインダーを導入するだけで、無断欠席率を大幅に低減することができます。一部の医療機関では、予約管理における反復的な業務を自動化することで、 無断欠席率を40％以上削減しています。

患者の受付およびオンボーディング デジタル同意書、保険情報の確認、および受診前のアンケートにより、クリップボードと紙を使った業務プロセスが置き換えられています。 自動化された受付プロセスにより、診察開始前に患者情報が電子カルテに正確に記録されるため、最初の接点から患者体験が向上します。

データ入力およびレポート作成 患者記録からのデータ入力を自動化し、レポートを作成することで、反復的な作業を削減し、情報に基づいた意思決定のためのデータの正確性を確保します。 医療従事者は、反復的な手作業に費やす時間を減らし、訓練を受けてきた患者ケア業務により多くの時間を割けるようになります。

アンビエント・ドキュメンテーション リスニング技術は、医師と患者の会話内容を記録し、構造化された診療記録を自動的に作成します。 これだけで、医療従事者は毎日の記録作成にかかる時間を数時間分節約でき、その分の人員を患者ケアに充てることができるようになります。

医療機関は、予約の無断キャンセルからコーディングミス、請求の不承認に至るまで、請求サイクルのあらゆる段階で収益を失っています。 医療分野における自動化は、こうした課題を解消し、目に見えるコスト削減を実現しています。

請求および保険請求処理 自動請求システムは、保険請求の提出、請求書の作成、および患者への請求サイクルの管理を行い、人為的なミスを減らし、収益サイクルを効率化します。 請求、予約、臨床システムを連携させ、これらを横断してプロセスの自動化を実現するには、相互運用性レイヤーが必要となります。 InterSystems IRIS for Healthは、自動化されたプロセスが、電子カルテ（EHR）、請求プラットフォーム、保険者システムにまたがる患者データにリアルタイムでアクセスし、照合を行うことを可能にする統合エンジンを提供します。

事前承認 インテリジェントオートメーションは、臨床文書を取得し、保険者ごとの要件を確認し、承認申請書類一式をまとめ、提出状況を追跡します。 これにより、従来はスタッフが複数のポータルを手動で切り替えて操作する必要があったプロセスが置き換えられます。

収益サイクル管理 患者の受付から最終的な支払いに至るまでの収益サイクルのエンドツーエンドのプロセス自動化により、事務処理ワークフローにかかる時間とコストを削減できます。 ワークフローの自動化に移行することで、手作業による取引コストを削減し、医療業界は年間200億ドル以上のコスト削減が可能になる見込みです。

フォローアップが抜け落ちてしまうと、患者が苦しむことになります。 医療分野における自動化は、ケアの継続性を確保し、患者の転帰を改善します。

遠隔患者モニタリング 接続されたデバイスは、バイタルサイン、服薬遵守状況、および活動レベルを追跡します。 患者のモニタリング値が安全範囲を外れた場合、自動化システムがケアチームに通知するため、状態が悪化する前に先手を打って介入することが可能になります。 このような予測型医療は、救急外来への受診を減らし、患者一人ひとりに合わせた治療計画を支援します。

服薬管理 自動調剤システム、服薬状況確認ツール、および再処方リマインダーは、医療過誤の削減と服薬遵守率の向上に寄与しています。 患者は、手作業によるプロセスに頼ることなく、一貫性のあるタイムリーなケアを受けることができます。

診断支援 人工知能は、医療画像を分析して異常を検出し、疾患の早期診断を支援することができます。 医療自動化ソリューションは、医療従事者が、時間的制約の下で見落とされがちな医療画像、病理所見、検査データにおけるパターンを特定するのを支援します。

フォローアップの調整 退院後の自動フォローアップ、ケアプランの追跡、および診察予約の管理により、患者さんが通院の合間にケアの行き届かない状態になるのを防ぎます。 これらの自動化システムは、診察の予約、服薬、および経過観察に関するリマインダーを送信することで、患者の満足度を高め、適切なタイミングで患者ケアが行われるようにします。

冒頭で紹介された眼科手術センター（週1,000人の患者、無断未来院率18％、4人のスタッフが500件の電話対応）については、詳しく掘り下げてみる価値があります。 結果は明らかでした。 彼らがその結論に至った経緯は次のとおりです。業界における無断欠席率は専門分野によって異なりますが、通常は5％から30％の範 囲にあります

。 18％という数値は、一般的に報告されている範囲内ではあったものの、運営上および利用上の深刻な問題を引き起こすには十分高い数値でした。

「ノーショーは依然として発生するため、オーバーブッキングを行うことになる……通常は、ある程度ランダムなオーバーブッキングです」 「これには費用がかかるし、収益の損失にもなる。オーバーブッキングは大変な事態を招く恐れがあります。」 - インターシステムズ社長、ドン・ウッドロック

モデルの構築 同クリニックでは、1年分の受診履歴および予約データ（日付、時間、場所、担当医師、受診理由、患者の来院の有無など）を利用しました。

生の患者データは、実用的なものにするために加工が必要でした。 日付は曜日と月（冬場の予約は守るのが難しかった）に変わりました。 時間は「午前」と「午後」に分かれるようになった。 特に予測精度が高かったのは、2つの設計上の要素でした。それは、「予約の先行度（予約がどれほど前に入れられたか）」と「距離（患者の自宅から医療機関までの距離）」です。

ワークフローへの統合 各予約が確定するたびに、モデルは「無断キャンセル」となる確率を割り当てました。 スケジューリング画面に視覚的なインジケーターが表示された。70～90％の確率を示すアイコンが1つ、90％以上の確率を示す赤いアイコンが1つであります。 スタッフ全員がそのリスクを認識できました。

対応は段階的に行われました。 確率が70％を超えた患者には、3回の確認の電話をかけました。 確認がなかった場合、その予約枠は解放されました。 90％以上の患者に対し、通院の妨げとなる要因（交通手段、スケジュールの都合、その他通院を妨げる可能性のある課題など）について会話することを主眼とした、担当者の電話連絡が行われました。

結果 ノーショー率は18％から10％へと低下し、44％の減少となりました。今後、ワークフローのさらなる改善により、5％を目標としています。 電話対応担当者は4人から1人に減り、週あたりの通話件数は500件から150件になりました。 これにより確保された診療枠は患者の需要を満たすことができました。このクリニックには3か月待ちの待機リストがあり、予約の無断キャンセルによって空き枠ができた際には、スタッフが1週間前に待機リストに登録されている患者に連絡を入れていました。 「ねえ、空きがあるよ。」 収益は回復した。 患者体験が向上しました。

このモデルにおいて、予測に最も影響を与えた特徴量は、多くの医療従事者が予想するものではありませんでした。

「予約までの期間が長い」が1位となり、かなり前から予約していた患者ほど、受診に来ない傾向が強かった。 患者の電話番号が記録されていたかどうかは、2番目に重要な項目でした。 予約の種類、場所、距離も重要な要素でした。

しかし、状況を一変させるのは次の点です。 最も示唆に富む予測因子は、健康の社会的決定要因に関する患者向けアンケートから得られたものでした：

• 交通機関へのアクセス
• 傷つけられる恐れ
• ストレスレベル
• 世帯の人数

「社会的決定要因は、個人の生物学的要因よりも健康に大きな影響を与える要因であり、実は行政の行動に対してもかなり大きな影響を与えることが判明しています。」 - ドン・ウッドロック

これは医療分野における自動化全般にとって重要な点です。予約をすっぽかす可能性が最も高い患者たちは、単に忘れてしまっているわけではないのです。 彼らは、交通手段の確保が困難であることや、住居の不安定さ、あるいは安全上の懸念といった問題に直面しています。 「自動リマインダーをもっと送信する」というだけでは、この問題は解決しません。 問題は認知度ではなく、アクセスです。

だからこそ、ドンのモデルにおける「90％以上」の層では、上司からの連絡は出席の確認ではなく、障壁を取り除くことに重点が置かれていたのです。 そのモデルは、誰がミスをするかを予測しただけで、それ以上の予測は行いませんでした。 これにより、支援を必要とする人が特定されました。

社会的文脈を無視した医療の自動化は、間違った変数を最適化しているに過ぎません。 最も効果的な医療自動化ソリューションは、データ分析によって明らかになる人間の現実を浮き彫りにし、単に患者記録の処理を迅速化するだけでなく、患者の治療成果を向上させます。

この眼科手術センターで起きた出来事は、医療機関においてスタッフが不適切な事務作業に時間を費やしているあらゆる場面に当てはまる、4つの段階からなるパターンに沿ったものです：

1. 予測 - 予測分析とデータを活用し、問題が発生する前にその発生箇所を特定する
2. 優先順位をつける - 人的リソースを、無作為な対応ではなく、リスクが最も高い事例に集中させる
3. 再配置 - スタッフを、付加価値の低い反復的な業務から、付加価値の高い患者ケアや判断を要する業務へと移行させる
4. 回復 ― 解放されたキャパシティを新たな価値（収益、患者の受診機会、処理能力）へと転換する

この自動化戦略は、ノーショー以外のケースにも適用されます。 保険金請求担当チームは、請求却下のリスクを予測し、リスクの高い請求を先回りして精査し、事後対応的な異議申し立てから予防的なチェックへと移行し、より迅速な保険金支払いを通じて損失を回収することができます。 医療システムは、30日以内の再入院リスクを予測し、要支援患者に対する退院後のフォローアップを優先的に行い、看護時間の配分を再調整し、再入院による罰則の軽減を通じて経営を立て直すことができます。 サプライチェーン担当チームは、サプライチェーンの需要を予測し、品不足を早期に察知し、調達を事後対応型の発注から計画的な購買へと転換し、サプライチェーンの価格設定を改善することで事業を立て直すことができます。

ヘルスケア分野の自動化について、多くの人が抱く疑問は「どのような業務を自動化できるのか」ということです。 より適切な問い、つまりドンのケーススタディが答えているのは、「どうすれば社員の時間を有意義に活用できるか」ということです。 これがステップ3です。 そこにこそ価値があるのです。 効果的な自動化戦略は、すべてこの枠組みから始まります。

ドンの「ノーショー」モデルが機能したのは、データが存在していたからである。つまり、結果が記録された1年分の予約履歴が、アクセス可能かつ体系化された形で用意されていました。 多くの医療分野における自動化プロジェクトは、データ基盤が整っていないために、開始前から頓挫してしまいます。 正確なデータがないまま自動化を導入するのは、スタッフに患者のカルテへのアクセス権を与えずに採用するようなものです。

相互運用可能なデータ 医療分野における自動化では、既存のシステム（電子カルテ、予約管理プラットフォーム、請求システム、患者ポータルなど）にまたがる患者データにアクセスする必要があります。 FHIRやHL7といった医療分野の相互運用性標準は、医療システムを相互に連携させ、システム間で自動化処理を実行できるようにします。 InterSystems HealthShare Health Connect は、臨床システム間のプロトコル変換とメッセージルーティングを処理し、HL7、FHIR、X12、DICOM、その他の医療標準規格に対応したクラウド管理型サービスとして、カスタムのポイントツーポイント統合を必要とせずに提供されます。

データの整合化。 患者データは、さまざまな医療システムに分散しており、形式も更新サイクルもそれぞれ異なります。 すべてを1つのデータウェアハウスに一元化する（ほとんどの医療システムには手が出せない、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（分散した状態）で統合することで、医療従事者に統一されたビューを提供します。これにより、システムを全面的に刷新したり、すべてのデータを一括して一元化したりする必要がなくなります。 これは、InterSystems社がIRISプラットフォームに組み込んだアプローチです。

導入の現実 医療分野における自動化の課題は、技術そのものにあることはめったにありません。 医療業界における自動化の導入を妨げる真の障壁としては、次のようなものが挙げられます：

• レガシーシステムの統合 新しい医療自動化システムは、既存のシステムを置き換えるのではなく、それらと連携しなければなりません。
• スタッフの採用 ドンのケースでは、ワークフローの抜本的な変更が必要でした。 電話をかけるメンバーは4人から1人に減りました。 組織にとっては業務効率化ですが、個人にとっては変革管理となります。 医療従事者には、この移行期間を通じて研修と支援が必要です。
• プライバシーとコンプライアンス。 患者データを扱うあらゆるシステムには、 HIPAAに準拠した監査証跡およびアクセス制御が必要です。
• モデルのバイアス 代表性のないデータを用いて学習された機械学習モデルは、不平等を永続させる恐れがあり、特に社会的決定要因が関与している場合には懸念されます。
• 予算競争 医療機関は、相反する優先事項に直面しています。 自動化への技術投資には、明確なROIの証拠が必要ですが、ドン氏の事例のようなケーススタディこそが、まさにそれを提供してくれるのです。

ドンは自分のモデルを「シンプル」で「作るのもそれほど難しくない」と評しています。 その通りです。 医療業界における医療業務の自動化の障壁は、通常、技術そのものではありません。 重要なのは、データの準備、ワークフローの再設計、そして医療従事者の時間の使い方を変えることに対する組織の意欲です。

「これらのモデルは非常に高い精度を発揮し、現在の多くの医療システムに見られる、混乱を招きコストもかかるワークフローを容易に置き換えることができます。」 - ドン・ウッドロック

医療分野における自動化は、事後対応型から予測型へと移行しつつあります。 ドンの「ノーショー」モデルは、医療業界全体に広がりつつあるあるパターンの初期の事例です。すなわち、過去の成果データを用いて学習を行い、リスクを予測し、その予測に基づいてワークフローを再設計するというものです。 このアプローチは、再入院、転倒、医療過誤の削減、サプライチェーンの混乱、人員不足にも同様に適用されます。

自動化戦略をどこから始めればよいか検討している医療機関の皆様へ：まず、混乱を招き、コストのかかるワークフローを1つ見つけ出してください。 過去のデータが存在することを確認してください。 （ データをAI対応にすることは、実践的な第一歩です。）簡単なモデルを構築しましょう。 モデルの技術的な高度さではなく、予測がスタッフの「行動」をどのように変えるかに焦点を当ててください。 結果を測定してください。 そして、これを繰り返します。

医療の自動化から最も恩恵を受ける医療システムは、最も先進的な技術を持つものとは限りません。 彼らは、医療従事者の時間の使い方を再設計し、臨床業務の流れを効率化し、患者ケアを最優先にする存在となるでしょう。