医療機関のAI活用が他業界と決定的に違うのは、技術的に動くシステムが、そのまま臨床現場で使われる保証がまったくない点にある。規制対応・倫理的検証・臨床的説明責任という三つの関門を通過しなければ、デモで完璧に動いたAIも実装には至らない。にもかかわらず生成AIの普及で、画像診断支援、電子カルテ周辺の業務効率化、治療計画支援の可能性は急拡大している。大学病院、市中病院、診療所では病院規模ごとに事情が異なり、取り得る選択肢も変わる。

規制の動きも速い。厚生労働省と経済産業省は2023年9月、「プログラム医療機器実用化促進パッケージ戦略2（DASH for SaMD2）」を公表し、SaMD（Software as a Medical Device）の実用化と国際展開を促進する方針を打ち出した。本稿では医療機関のAI活用を画像診断・業務効率化・治療支援の三つの領域で整理しつつ、それぞれがなぜ別の壁にぶつかるのかを構造から説明し、最後にPoCを本番に渡すための判断軸まで掘り下げる。

なぜ医療AIだけ実装が止まるのか

医療業界の特殊性は、ひとつの制約ではなく複数の制約が連鎖して効いてくるところにある。第一に規制密度が突出して高い。医薬品医療機器等法（薬機法）、医師法、医療法、そして医療情報の機微性に踏み込む個人情報保護法が、業務のあらゆる局面を規定する。第二に、診断や治療の判断について「なぜその結論に至ったか」を患者・家族に説明する義務があり、医療事故が起きれば責任の所在まで遡って問われる。AIがブラックボックスのまま判定を出すだけでは、この説明責任を医師が引き受けられない。

第三に、扱うデータが機微であると同時に分散している。電子カルテ（EMR）、画像（PACS）、検査（LIS）はベンダーごとに別システムで動き、患者プライバシーの要求水準も高い。第四に、その電子カルテ自体が富士通・NEC・SSIといったベンダーの独自仕様で構築されたレガシーであり、外部のAIツールとデータをやり取りする経路が標準では用意されていない。この四つは独立した課題ではなく、たとえば「説明責任を果たすために学習データの偏りを検証したいが、データがベンダー別に分散していて集められない」というように、互いに絡み合って実装を難しくする。

こうした制約の効き方が領域によって違うため、医療AIは画像診断支援（放射線・病理・皮膚科・内視鏡など）、電子カルテ記載や問診・文書作成といった業務効率化、そして疾病治療用プログラム医療機器を含む治療支援の三方向に分かれて進む。どこから手をつけるかで、ぶつかる壁も投資回収の速さもまったく変わってくる。なお医療機関のAI活用は、医療機器メーカーという隣接領域を持つ製造業のAI活用や、保険・医療費請求の論点を共有する金融機関のAI活用とも重なる部分がある。

画像診断支援 — 承認実績が最も積み上がった領域

画像診断支援は、AI医療機器のなかで承認実績がもっとも蓄積している領域である。なお「プログラム医療機器（SaMD）」と「AIを搭載した医療機器」は同義ではなく、承認済みSaMDの多くはAIを用いないものである点は区別しておきたい。最新の承認品目はPMDA『プログラム医療機器の承認等情報』の製造販売承認品目一覧で確認できる。具体的な用途を見ると、放射線では胸部X線・CT・MRIでの結節検出や骨年齢推定、脳出血検出が実装され、病理では染色画像からの組織分類や悪性度推定、内視鏡ではポリープ・早期がんのリアルタイム検出が進んでいる。眼底では糖尿病性網膜症のスクリーニング、皮膚では皮膚腫瘍の鑑別支援が広がりつつある。これらに共通するのは、画像という比較的構造化されたデータを対象とし、正解ラベルを臨床的に定義しやすいという性質で、それがAI開発と承認の両面を後押ししてきた。

ただし承認実績が多いことは、参入が容易であることを意味しない。画像診断支援は診療判断に影響を与えるため「プログラム医療機器（SaMD）」として薬機法の対象となり、臨床評価データ・性能試験データ・品質管理体制を揃えてPMDAの承認を得る必要がある。この過程に数年を要するケースも珍しくなく、開発の初期段階で承認を見据えた設計をしておかないと、後から作り直すことになる。

承認の難所として近年クローズアップされているのが、機械学習バイアスへの対応である。PMDAの専門部会では、機械学習におけるバイアス、市販後学習における評価データの再利用、物理モデル・シミュレーションによる学習データ構築といった課題が検討されている。学習データが特定の医療機関・人種・年齢層に偏れば、その偏りはモデル性能の地域差・属性差としてそのまま現れる。大学病院の症例で学習したモデルが市中病院で精度を落とすのはこのためで、承認時にこの偏りをどう評価するかが実務上の論点になっている。

そして運用面で外せないのが読影の最終責任だ。AIが「異常」と判定しても、最終診断の責任は医師にある。したがって設計の出発点は「AIに診断させる」ことではなく、医師の負荷を減らしつつセカンドオピニオンとしてAIを差し込む運用をどう組むか、になる。臨床評価データを厚労省・PMDAのガイドラインに沿って設計し、医師や放射線技師の既存ワークフローに無理なく差し込み、市販後の性能モニタリングと再学習プロセスまで運用に織り込めて、初めてこの領域は回り始める。

業務効率化 — 薬機法の外で最も速く動く

業務効率化は、SaMDとしての薬機法承認を必要としない範囲が広く、生成AIの普及でいま最も急速に拡大している領域である。診察時の音声を自動で文字起こししSOAP形式に整理する電子カルテ記載支援、患者の主訴・既往歴を整理して医師の診察前に渡す問診支援、入院経過を要約する退院時サマリー作成、レセプト点検やコーディングを助ける診療報酬請求支援、さらに症例まとめや図表作成といった学会発表・論文作成の補助まで、適用範囲は広い。これらが速く動くのは、診療判断そのものに踏み込まず、医師の手作業を肩代わりする位置づけだからである。

とはいえ規制を免れるわけではない。最大の壁は個人情報保護で、患者情報は要配慮個人情報にあたり、クラウドLLMに患者データを送る行為には法的・倫理的な検討が伴う。実装の現実解は、オンプレミスLLM、医療特化のセキュア環境、あるいはデ・アイデンティフィケーション（匿名化）を前提に設計を組むことになる。ここを軽視すると、効率化のメリット以前に運用が止まる。

次の壁が電子カルテベンダーとの統合である。富士通、NEC、SSI、IBM Japanといったベンダーの電子カルテは独自仕様で動き、AIツールとデータを連携するAPIが用意されていないことが多い。結果として、PoC段階では単独で動いていたツールが、本番でカルテ連携を組み込もうとした途端に独自連携の構築コストが膨らむ。三つ目は技術より人の問題で、紙カルテ時代から続く記載文化や医師個人のスタイルが強く残り、AIによる標準化が抵抗を受ける。ここはチェンジマネジメントの領域であり、効率化を「医師から仕事を奪う」ではなく「定型記載を引き算して診療に時間を再配置する」と位置づけられるかが定着を左右する（AIは足し算より引き算→再配置）。

これらを踏まえると、業務効率化で成果を出す条件は明確になる。オンプレあるいは医療特化クラウドでLLMを運用し、既存電子カルテとの統合APIをどう設計するかを早期に詰め、何より医師の作業フローを実際に観察したうえでユースケースを絞り込むこと。「何でもできる」より「この記載のここだけ任せる」に絞った方が、結局は定着する。

治療支援・SaMD — 承認ハードルが最も高い

治療支援は、画像診断より新しいが拡大の速い分野である。診断補助にとどまらず治療方針の選択肢を提示するCADx（コンピュータ支援診断）、ニコチン依存症や不眠症で承認実績のある治療アプリ（疾病治療用SaMD）、ロボット手術ナビゲーションや術前計画といった手術支援、個別化医療に踏み込む薬剤投与最適化や薬物動態予測、ウェアラブルからの異常検知・再入院予測といったモニタリングまで広がる。

この領域が他と決定的に違うのは、治療目的のSaMDは画像診断より承認ハードルが格段に高い点にある。診断を補助するのではなく治療に直接介入する以上、臨床試験データが要求され、有効性と安全性の双方を証明しなければならない。承認後の運用についても整備が進んでおり、2025年6月13日付けで「疾病治療用プログラム医療機器の臨床的位置付け及び治療スキームの変更を伴わない承認事項の変更手続きに関する通知」が発出され、承認後の変更プロセスが整理された。

承認を取れたとして、それで普及するわけではないのが治療支援の難しさである。SaMDが承認されても、診療報酬での評価が伴わなければ現場には広がらない。中医協での技術料設定の議論が、そのままSaMDの社会実装スピードを決める構図になっている。加えて「アプリで治療する」という概念への受容性は、医師の世代や患者層によって差があり、エビデンスの蓄積と保険適用という二つが揃わなければ受け入れは進まない。したがってこの領域に挑むなら、開発の早い段階からPMDAの対面助言を活用し、臨床試験デザインに専門家を関与させ、保険適用までを見据えた事業計画を組む——技術より制度と事業の設計が先に来る。

三領域に共通して効く構造的制約

領域を横断して効いてくる制約は、突き詰めると規制・説明可能性・データ・人材の四つに整理できる。

まず薬機法・SaMD承認の長期化が、医療AI全体の機動性を縛る。承認後にモデルを継続学習させる市販後学習は理論上は可能だが、実運用では変更承認手続きが要求されるため、データが増えても即座にモデルを更新しづらい。次に説明可能性で、医療AIには「なぜこの判定に至ったか」が強く求められるため、SHAPやGrad-CAMといった可視化技術の組み込みと、バイアス監査の定期実施が前提になる。どの技術をどう選ぶかは業務AIインフラの技術選定で論点を整理しており、生成AIを使う場合の誤回答抑制はAIハルシネーション対策の実装論が参考になる。医療では誤った要約や診断根拠の捏造が直接インシデントに繋がるため、ハルシネーション対策は他業界以上に重い。

三つ目はデータで、要配慮個人情報である患者情報を活用するには匿名加工医療情報（次世代医療基盤法）や医療情報連携基盤の整備が必要になるが、実際には病院ごとに電子カルテベンダーが異なり、データ連携の障壁が高いまま残る。四つ目の人材は、医療AIが「医療ドメイン知識」と「AI技術」の両方を要するために生じる。日本ではこの組み合わせを持つ人材が極めて少なく、医工連携プログラムや医療データサイエンティスト育成が課題になっている。人材確保の選択肢はAI時代の人材戦略で扱った内製・外部活用の使い分けがそのまま当てはまる。これら四つは独立に解けるものではなく、人材がいなければバイアス監査もデータ統合も進まないという形で連鎖する点に注意が要る。

PoCは動く、本番化が止まる

医療機関のAI PoCは、技術的には早期に動くことが多い。にもかかわらず、当社が支援現場で観察する限り、本番化に1年以上を要するケースが少なくない。理由は技術ではなく、本番化の手前に並ぶ非技術的な関門にある。倫理委員会・治験審査委員会（IRB）の承認、個人情報保護を踏まえたデータ取り扱い設計、薬機法対象になる場合のPMDA承認、電子カルテベンダーとの統合テスト、医師・技師の教育と運用ルール整備、そして診療報酬・保険適用までを見据えた事業計画——これらが順に立ちはだかり、しかも多くは並行して片付けられない。

この構造はAI PoC止まり脱出フレームワークで扱った問題と地続きだが、医療では規制・倫理の関門がそこに上乗せされる。だからこそPoCに着手する前に「この関門群を本当に通せるテーマか」を見極める作業が、他業界以上に投資対効果を分ける。

現場でよく見る頓挫の型も、この構造から説明できる。最も多いのは、業務効率化として開発したものが実は診療判断に影響する機能を含んでいて、後からSaMDとしての再開発を迫られるケースだ。次が学習データの偏りで、大学病院データで作ったモデルが市中病院で精度を落とす。三つ目は前述の電子カルテ統合の壁で、単独で動くPoCがカルテ連携の段階で半年から1年遅れる。四つ目は説明可能性の不足で、AIの判定根拠を医師が患者に説明できず、結局使われなくなる。そして五つ目が、ROI測定の困難である。「医師の負担軽減」を金額に換算できないために追加投資が承認されない——この最後のつまずきは技術の問題ではなく、効果の測り方の問題だ。ROI測定の枠組みはAI ROIの測定方法に、説明責任やバイアス監査を含むガバナンス設計は企業のAIガバナンス実務ガイドに整理している。

どこから着手するかの意思決定

三領域は規制・投資・回収速度の性質が異なるため、同じ尺度で並べて優先順位を決められる。下表は医療機関がAI導入を意思決定する際の整理軸である。

軸 画像診断支援 業務効率化 治療支援SaMD
規制要件 高（SaMD承認） 中（個人情報・院内ルール） 極高（臨床試験必要）
初期投資 高（AI機器導入） 中（LLM運用環境） 高（臨床試験費用）
早期効果 中（数ヶ月〜1年） 高（数週間〜数ヶ月） 低（数年）
ROI測定 読影件数・診断精度 医師工数削減 治療成績・再入院率

この表から導かれる現実的な順序は、まず業務効率化から入ることが多い、というものだ。規制要件が比較的軽く、医師の負担軽減効果を短期で示せるため、院内に「AIは使える」という最初の成功体験を作りやすい。そこで信頼と運用ノウハウを積んでから画像診断支援に進み、最後に治療支援SaMDへ——と展開するのが、規制の重さと回収速度の両面で無理がない。病院規模でも判断は変わる。診療所では薬機法対象の自社開発に踏み込む体力はないため既製の業務効率化ツールの選定が中心になり、大学病院では臨床研究と結びつけて治療支援SaMDの開発に踏み込む余地がある。なお業務効率化で生成AIを使う際、自院の知識を反映させる手段としてFine-tuningとRAGのどちらを採るかはFine-tuning vs RAGで判断材料を整理している。医療では情報の出所を辿れるRAGが説明責任と相性が良い場面が多い。

導入を一時の手段で資金面から後押しする補助金もあるが、それは核心ではない。資金調達や社内稟議の設計はAI予算計画と社内稟議に譲り、本稿では「どの仕事を引き算し、空いた時間をどこへ再配置するか」という見極めに焦点を置く。

薬機法・承認制度の最新動向

承認制度そのものも更新が続いており、開発側はこれを追い続ける必要がある。PMDAは2023年5月29日に「プログラム医療機器の特性を踏まえた適切かつ迅速な承認及び開発のためのガイダンス」を公表し、2024年の改訂版ではリアルワールドデータの信頼性要件、二段階承認、特定臨床研究データの承認申請利活用について明確化した。これは、従来の臨床試験一辺倒では時間がかかりすぎるという課題に対し、実臨床で得られたデータをどう承認に使えるかを整理する動きと読める。

加えてPMDAの「AIを活用したプログラム医療機器に関する専門部会」では、機械学習バイアス、市販後学習における評価データ再利用、物理モデル・シミュレーション学習データ、臨床情報データベースの開発などが継続的に検討されている。これらの議論は承認要件にそのまま反映されていくため、AIを開発する企業・医療機関は単発で制度を確認するのではなく、専門部会の方向性を定点観測する姿勢が求められる。

AX Boostの医療機関アプローチ

ここまで見てきたとおり、医療AIの壁は技術スキルだけでは越えられない。AX Boostが医療機関を支援する際にFDE型を主軸としつつ「医療業務理解と薬機法プロセスへの理解を持つメンバー」を関与させるのは、規制・臨床的説明責任・電子カルテレガシーという領域が、AIエンジニアリングの巧拙とは別の専門性を要するという、上述の構造的観察に基づいている。

具体的には、初期1〜2ヶ月で臨床現場のヒアリング、規制要件の整理、電子カルテ統合可能性の評価を集中的に行い、ROIが見える領域を特定してからPoC設計に入る。先にPoCを作って後から壁に気づくのではなく、壁を先に見極めてから着手する順序を取るということだ。FDE型の方法論はFDE型コンサルティング完全解説に、支援形態の選び方はAX支援サービスの選び方に詳しい。

医療AIの政策・規制議論は、AIガバナンス・データ品質・説明責任・透明性という論点で金融分野と重なる。金融庁ミュトス作業部会で扱った枠組みは、規制業種としての医療を考えるうえでも参照価値がある。自院でどの仕事を引き算し、空いた時間を診療や患者対応へどう再配置するか——その見極めから実装・定着までを伴走する具体的な進め方は、トップページからお問い合わせいただきたい。

主要参照ソース

本稿の規制・制度に関する記述は、以下の一次資料に基づく。SaMDの承認制度は更新が続くため、最新版を都度確認されたい。

  • 経済産業省・厚生労働省『プログラム医療機器実用化促進パッケージ戦略2（DASH for SaMD2）』（2023年9月）— 革新的SaMDの優先審査、二段階承認による早期実装、PMDA相談・審査体制の拡充を打ち出した戦略。 https://www.meti.go.jp/policy/mono_info_service/healthcare/SaMD.html
  • 厚生労働省医薬・生活衛生局医療機器審査管理課『プログラム医療機器の特性を踏まえた適切かつ迅速な承認及び開発のためのガイダンスの公表について』（令和5年5月29日 事務連絡）— 二段階承認の考え方を含め、SaMDの特性に合った薬事承認制度の運用を整理。 https://www.mhlw.go.jp/web/t_doc?dataId=00tc7714&dataType=1&pageNo=1
  • PMDA『AIを活用したプログラム医療機器に関する専門部会』— 機械学習バイアス、市販後学習における評価データ再利用、物理モデル・シミュレーションによる学習データ構築、臨床情報データベースの開発などを継続検討。 https://www.pmda.go.jp/rs-std-jp/subcommittees/0024.html
  • PMDA『プログラム医療機器の承認等情報』— 疾病治療用SaMDの「臨床的位置付け及び治療スキームの変更を伴わない承認事項の変更手続き」（令和7年6月13日付け 医薬機審発0613第1号）に基づく対応品目を掲載。 https://www.pmda.go.jp/review-services/drug-reviews/about-reviews/devices/0052.html