執筆者：オッシ・コスキネン氏（シーメンス・ヘルスインアーズ、キーアカウント担当ディレクター）。同氏は、フィンランドおよびスウェーデンにおける戦略的顧客関係を統括しています。
医療の現場では、人工知能を活用できるかどうかという点については、もはやほとんど議論されていません。 はるかに難しい問題は、有効性が実証された解決策を、医療従事者や患者にとって真に意義のあるものとして、日々の業務にどのように組み込んでいくかということです。
この質問は、私が病院の経営陣、臨床専門家、情報管理担当者との打ち合わせの場で繰り返し聞かれます。解決策や有望な試みは数多くありますが、パイロット段階から定着した運用に至るまでの道のりは、往々にして予想以上に長いものです。
この現象は新しいものではありません。
私は、キャリアの大部分を、医療分野の変革や技術の導入に携わってきました。 長年にわたり、例えば当時のWindows搭載携帯電話向けの疼痛評価ツールの開発に携わったり、遠隔診療に対する関心がまだ比較的低かった時代に、その道を開拓したりしてきました。
Windowsフォンへの投資は、後から振り返ってみると、私のキャリアにおいて最も成功した技術的選択とは言えませんでした。それでも、その経験から学んだことは、今でも当てはまる教訓です。つまり、技術的に機能するソリューションであっても、必ずしも機能するサービスになるとは限らないということです。
遠隔診療の状況は、少し異なっていました。必要な技術は、大規模な導入に向けた環境が整う何年も前から、ほぼ存在していました。コロナ禍によって状況は急速に変化しました。 今では、フィンランドのプライマリケアの患者が、海外からでも診療を受けられることを、私たちはごく当たり前のこととして受け止めています。例えば、現在フランスに住んでいる私の知人も、まさにそのようにしています。
つまり、技術は、その技術を取り巻く運用方法や体制、そして人材が整うよりもずっと前に、完成していることがあるのです。人工知能に関しては、多くの分野でまさにこの段階にあります。
多くのソリューションは技術的にはうまく機能しています。しかし、約束されたメリットが必ずしも日常業務に反映されるとは限りません。その原因は、多くの場合、そのソリューションが病院のシステムや業務フロー、意思決定とどのように連携しているかにあります。
専門家の時間を節約することを目的とした事例をいくつか目にしてきました。 実際には、ユーザーはまず元の情報を確認し、次にAIによる評価を確認し、最後に別のシステムでもその情報を確認することになります。新しいソリューションは作業を削減するはずでしたが、かえって確認の工程が一つ増えてしまいました。
このような状況では、アルゴリズムはまさに期待通りに機能するかもしれません。とはいえ、専門家の仕事は決して楽にはなりません。
AIが生成した情報は、専門家が本来意思決定を行うシステムや段階において提供されなければなりません。 情報は理解しやすい形式で提供され、それに基づいて何らかの行動をとることができなければなりません。そうでなければ、AIは単に従来のツールに並列する新たなツールに留まってしまう恐れがあります。
画像診断における可能性は、すでに単一の画像の分析という範囲をはるかに超えています。 人工知能は、患者の準備、検査の実施、画像の解釈、報告、そして治療方針決定への情報反映といった一連のプロセスを支援することができます。 重要なのは、個別のアプリケーションではなく、患者から画像、画像から所見、そしてさらなる治療へと至る一連のプロセス全体なのです。
ですから、私の考えでは、AIプロジェクトを始めるにあたり、「どこにAIを導入できるか」という問いから始めるのは得策ではないと思います。
まずは、もっと日常的な質問から始めたいと思います。 業務が滞っているのはどこでしょうか？ 待ち時間が生じているのはどこでしょうか？ 同じ情報が何度も記録されているのはどこでしょうか？ 専門家がシステムを切り替えなければならないのはどこでしょうか？ 臨床的な専門知識を必要としない業務であっても、どこに時間がかかっているのでしょうか？
真の問題が特定されたら、AIがそれに対する適切な解決策であるかどうかを評価することができます。場合によってはそうであることもあります。また、場合によっては、やり方を変えたり、もう少しシンプルな技術的解決策を講じたりするほうが、より効果的であることもあります。
成功を測定する上でも、同様の実用性が求められます。アルゴリズムの精度は重要ですが、それだけでは解決策の価値は測れません。 医療分野においては、その効果は患者の治療、医療従事者の業務、あるいは組織の運営に表れるべきです。できれば、そのうちの複数において表れることが望ましいでしょう。
導入後もその影響を継続的に監視する必要があります。 システムや画像診断装置は更新され、患者層も変化し、AIソリューションの新しいバージョンもリリースされます。したがって、導入は、ソリューションがユーザーに公開されたその日で終わるわけではありません。
これは当然のことのように聞こえますが、実際には責任の所在が曖昧になりがちです。 ソリューションの稼働状況を誰が監視するのでしょうか？ユーザーからのフィードバックは誰が対応するのでしょうか？現地での検証はいつ必要になるのでしょうか？ソフトウェアの更新による影響はどのように評価されるのでしょうか？ また、ソリューションが期待通りに機能しなくなった場合、誰が決定を下すのでしょうか？
この仕事には、臨床従事者、情報管理担当者、技術専門家、経営陣、そしてジャーナリストが必要です。特に、臨床業務と技術の可能性および限界の両方を理解している人材は、非常に貴重です。 こうした方々は、物事を一方的な視点からしか見ない場合に見過ごされがちな問題に、しばしば気づくことができます。
AIソリューションの数が増えるにつれ、全体を管理することが難しくなります。10個の個別のソリューションだけでは、まだ機能的な環境を構成することはできません。 それぞれのソリューションには、統合、利用権限、保守、監視、およびサポートが必要です。全体像を一体として設計しなければ、ユーザーにとって新たなデジタル作業手順が数多く生じてしまうことになります。
理想的な状況では、専門家は、その都度どのAIソリューションを使用すべきか考える必要がありません。 必要な情報は、通常の業務の一環として、適切なタイミングで表示されます。専門家は情報を評価し、意思決定を行い、その責任を負います。
次の興味深いステップは、個々のワークフローではなく、病院の運営をより広範な全体として捉えることです。この点において、運営の「デジタルツイン」という概念は、私にとって特に興味深いものだと考えています。
名称は技術的な響きがありますが、その基本的な考え方は非常に実用的なものです。患者の流れ、スタッフ、 施設、機器、スケジュール、そして治療プロセス間の相互依存関係について、十分にリアルタイムな全体像を把握できれば、決定を実行する前にその影響を評価することができます。
例えば、ある病院で検査の需要が増加した場合、どのようなことが起こるのでしょうか？ 患者さんを別の診療科に振り分けるべきでしょうか、それともスタッフの勤務シフトを変更すべきでしょうか、あるいは検査の予約方法を再編成すべきでしょうか？ 1台の画像診断装置のメンテナンスが、患者の待ち時間、スタッフの業務負荷、そしてその後の治療にどのような影響を与えるのでしょうか？
実際の病院では、こうした選択肢を試すことは困難です。 業務は常に続いており、患者さんの治療を待たせることはできませんし、個々の変更が及ぼす影響を他の要因から明確に区別することも必ずしも容易ではありません。デジタルモデルでは、変更を実践に移す前に、さまざまな選択肢を比較検討することができます。
これは、AIへの投資を現在よりも効果的に絞り込む上でも役立つ可能性があります。既製のソリューションから始めてその活用先を探すのではなく、業務を分析することで、待ち時間、 手作業、情報流通の断絶、あるいはキャパシティの不均衡な利用が、最も大きな支障をきたしている箇所を特定することができます。
その後に初めて、人工知能が必要かどうかを検討する価値があります。
しかし、デジタルモデルであっても、すべてが自動的に解決されるわけではありません。 1台の機器の利用率が向上する一方で、患者の総治療時間が長くなったり、スタッフの負担が増えたりする可能性があります。そのため、目標は効率性やスピード、コストだけで定義することはできません。
「良好な運営」とは何を指すのか、合意形成が必要です。これには、ケアの質と安全性、スタッフの業務、そして患者が体験する全体像が含まれます。 最終的な選択は、経営上の課題となります。デジタルツインは、選択肢やその潜在的な結果を見極める助けにはなりますが、何が許容可能で、目指すべきものであるかを決めるのは、やはり人間です。
個々の診療科から病院全体へ、さらには複数のサービスや病院からなる全体へと視野を広げれば、より幅広い可能性が生まれます。 そうすることで、例えば、スタッフの確保状況、キャパシティの活用状況、そして治療の各段階における患者の移行状況などを、同じモデルの中で検討することが可能になります。
これに関連して、一つ注意すべき点があります。モデル化する対象の範囲が広ければ広いほど、信頼性が高く、最新の情報がより多く必要となります。また、何を目指しているのかについて、共通の認識を持つことも必要です。 したがって、実務上は、その影響を特定し、測定できる、範囲が限定された問題から着手することをお勧めします。
フィンランドには、この分野において良好な基盤があります。デジタルインフラ、医療データ、そして確かな専門知識を備えています。また、病院、研究機関、公的機関、企業の間でも、多くの協力が行われています。 こうした強みがあるにもかかわらず、新たなパイロット事業だけでは進展は生まれません。
実用性が確認されたソリューションを実際のワークフローに組み込み、その効果を実証し、最初の部署以外にも導入を拡大していく段階になると、より困難な局面が始まります。 この段階で成功を収めるには、通常、最初のパイロットプロジェクトを開始する際よりも、より一層の粘り強さが求められます。
人工知能の目的は、患者と医療の間に立つ人間を排除することではありません。それは、経験、判断力、そして共感が必要な業務に、専門家の時間を割けるようにすることです。こうした要素の必要性は、技術が進歩しても消えることはありません。
新しい解決策を検討する際、私はよくいくつかのシンプルな質問に立ち返ります：
1. 私たちはどのような問題を解決しようとしているのでしょうか？
2. 専門家の仕事は、実際にはどのように変わるのでしょうか？
3. 使用中にその影響はどのように監視されるのでしょうか？
4. このソリューションは、他のシステムやプロセスとどのように連携するのでしょうか？
ビジネスのデジタルツインには、さらに一つ加わります：
この箇所を変更した場合、システムの他の部分ではどのような影響がありますか？
これらの質問に対する答えは、技術的な説明や製品の売り文句よりも、成功の可能性についてより多くのことを物語っています。
人工知能は急速に進化していますが、医療分野において最も重要な問いは、依然としてごくありふれたものです。すなわち、その解決策は、医療従事者がより良く、より円滑に、そしてより安全に業務を行うのに役立つのでしょうか？
その回答がプレゼンテーションのスライドにのみ表示され、日常業務では表示されない場合は、導入はまだ完了していません。
結局のところ、成功は作業工程によって決まります。
