失敗してよい場所と、責任を引き受ける場所:AIで学ぶ時代の医学教育
AIの模擬患者を相手にすれば、悪い知らせを伝える練習を、夜中に一人で何度でもできます。相手が泣いても怒っても、そこで傷つく人はいません。緊張せずに練習でき、同じ場面を何度でもやり直せることは、学ぶ側にとって大きな利点です。
その一方で、失敗しても何も起こらない場所で練習を重ねるほど、現実の場面で判断を引き受けることが怖くなるのではないか、とも考えています。
知識、技能、つながり
教育の要素は、知識、技能、つながりの3つだと考えています。医学教育に限らず、教育全般に言えることです。
知識と技能は、AIを使って以前よりずっと効率よく学べるようになりました。症例を相手に鑑別診断を挙げる練習も、医療面接の練習も、AIが相手をして、その場でフィードバックを返します。言葉で説明しにくいノンテクニカルスキルも、シナリオを使えば練習できます。
一方で、つながりを育てることには、教育の焦点がまだ十分に当たっていません。患者さんや家族、地域の人、ほかの職種と関係をつくる力は、教室やシミュレーションの中だけでは身につきにくいものです。AIで知識と技能の学びが速くなるほど、つながりを育てる時間の重みが増します。

自動化の皮肉
1983年、心理学者のリサンヌ・ベインブリッジは、工場の制御の自動化について「自動化の皮肉」という論文を書きました1。自動化が進むと、人には自動化できなかった仕事だけが残ります。ふだんの作業を機械が担うので、人は技能を使う機会を失います。それでいて、機械がうまく動かなくなったときに対応するのは人です。易しい部分を取り去ることで、自動化は人に残る難しい部分をさらに難しくしうる、とベインブリッジは書いています。
医療に置き換えると、AIが鑑別診断や説明の下書きを出すほど、医療者に残るのは、AIが答えを出せない場面と、AIの答えがおかしいと気づくべき場面です。研修の最初の時期はAIを使わずに臨床推論を鍛え、力量を見極めてから使い始める、という運用をしている研修病院もあります。AIのどこがおかしいかに気づくには、AIなしで考えた経験が必要だからです。
ルールのある環境と、ない環境
心理学者のロビン・ホガースらは経験から学べる環境を2つに分けました2。行動の結果がすぐに、正確に返ってくる「親切な(kind)」環境と、結果が遅れて返ってきたり、返ってこなかったり、誤った手がかりを与えたりする「意地の悪い(wicked)」環境です。規則が決まっていて結果がすぐ分かるチェスは親切な環境に近く、AIが早くから人を上回った分野です。
医療は意地の悪い環境です。治療の結果はすぐには分からず、ある病気への治療がほかの病気に影響します。持病の多い高齢の患者さんが一人暮らしで薬の飲み方に迷っている。こうした組み合わせは教科書のどこにも同じ形では載っていません。
シミュレーションは意地の悪い現実の中に、意図して親切な環境をつくる方法です。結果がすぐに返ってきて、やり直せるので、知識と技能は確実に深まります。ただ、現実に出たときに返ってくるのは、遅れて、はっきりしないフィードバックです。そこで判断を引き受ける練習は、親切な環境の中では十分にできません。
責任を引き受ける力
米国医学研究所(IOM)は1978年の報告書で、プライマリ・ケアを、近接性、包括性、協調性、継続性、責任性の5つで定義しました3。このうちつながりに関わるのが協調性と継続性で、最後の責任性(accountability)は、医療者が自分の判断と結果を引き受けることを指します。
| 要素 | 原語 |
|---|---|
| 近接性 | accessible |
| 包括性 | comprehensive |
| 協調性 | coordinated |
| 継続性 | continual |
| 責任性 | accountable |
原文は "accessible, comprehensive, coordinated, and continual care provided by accountable providers of health services"
シミュレーションでは「失敗してもいいから、どんどん試しましょう」と伝えるのが普通です。この安全があるから、学ぶ側は思い切って試せます。けれども、責任は自分の判断の結果が誰かに届く場所で、少しずつリスクを引き受けることで育つと考えています。地域の診療所や病院で、同じ患者さんを続けて診て、地域の人やほかの職種と顔を合わせる。そうした実習の中で、小さな判断を任され、その結果を見届けることが、医療者としての責任感を育てます。

AIはこの場面でも役に立ちます。実習で見たことや考えたことを話して文字に起こし、AIと一緒に振り返れば、自分の考えを深められます。地域の人と会う前に、その地域の医療の資料をAIで調べておくこともできます。つながりをつくる時間を増やすことも、AIの使い道の一つです。
ドアマンの仕事
広告業界のロリー・サザーランドは「ドアマンの誤謬」という話を書いています4。あるホテルがドアマンの仕事を「ドアを開けること」と定義し、自動ドアに置き換えました。ところがドアマンは、タクシーを呼び、常連客の顔を覚え、玄関の安全を守り、ホテルの格を客に示していました。そうした仕事は名札に書かれた仕事の外にあったので、置き換えたあとに初めて失われたことに気づきます。

医師の仕事を「診断名を付けること」と定義すれば、AIで置き換えられるように見えます。実際の診療では、診断名が決まってからのほうが時間がかかります。治療をどうするかを、患者さんの暮らしや希望と合わせて決め、家族やほかの職種と調整し、その結果を引き受け続けるのが、医師の仕事です。
AIで学ぶ時代の医学教育が確保すべきなのは、名札に書かれていない仕事を学ぶ場です。失敗してよい場所で知識と技能を磨き、そのうえで、地域の中で人とつながり、小さな責任を引き受ける場所へ出ていく。その両方を卒前から卒後まで続けて用意することだと考えています。
参考文献
- Bainbridge L. Ironies of automation. Automatica. 1983;19(6):775-779. https://doi.org/10.1016/0005-1098(83)90046-8
- Hogarth RM, Lejarraga T, Soyer E. The two settings of kind and wicked learning environments. Curr Dir Psychol Sci. 2015;24(5):379-385. https://doi.org/10.1177/0963721415591878
- Institute of Medicine. A Manpower Policy for Primary Health Care: Report of a Study. Washington, DC: National Academy of Sciences; 1978. https://nap.nationalacademies.org/read/9932/chapter/3
- Sutherland R. Alchemy: The Magic of Original Thinking in a World of Mind-Numbing Conformity. London: WH Allen; 2019.