2040年の病院で、AIに何を任せ、どの時間を人に残すか(経営者・医療者・開発者のための生成AI活用)

目次
  1. 生成AIの2つの癖
  2. 生成AIの4つの変化
  3. 記録と文書で任せる仕事と、人が担う仕事
  4. 患者情報は、契約のある環境でだけ扱う
  5. 調べる仕事では、読める資料が契約で決まる
  6. 正しい情報も、伝え方で届き方が変わる
  7. 多職種で広角の視野を持つ
  8. 現場でよく聞かれること
  9. 生まれた時間の使い道
  10. 参考文献

2040年は、日本の高齢者の数がピークを迎えると見込まれる時期です。新たな地域医療構想のもとになった検討会のとりまとめは、生産年齢人口が全国的に減る一方、85歳以上を中心に高齢者数は2040年頃のピークまで増えると見込んでいます1。85歳以上の人は医療と介護の両方を必要とすることが多く、2020年と比べて2040年には、85歳以上の救急搬送が75%、在宅医療の需要が62%増える見通しです1。2040年に必要な医療・福祉の就業者数は1,070万人と見込まれていますが、確保できるのは974万人と推計されています2。需要が増える一方で担い手が減るため、2040年が対策の節目とされています。

2040年は需要が増え、担い手が減る
2020年と比べた2040年の見込み(85歳以上) 救急搬送+75% 在宅医療の需要+62% 2040年の医療・福祉の就業者 必要な人数1,070万人 確保できる見込み974万人

新たな地域医療構想に関するとりまとめ(2024年12月)、令和4年版厚生労働白書

2026年8月5日、厚生労働省の医政局長から「地域医療構想の作成について」という通知が出ました3。改正医療法に基づく新しい地域医療構想では、病床だけでなく、外来医療と在宅医療、医療と介護の連携、医療従事者の確保までが定める事項に入りました。記載内容には「2040年とその先に向け」という言葉があり、2040年の病床数の必要量と医療機関機能の見通しを書くことになっています。

同じ年の10月29日、医師の働き方改革の推進に関する検討会の資料で、議論の整理が書かれました。ICT・AI等を活用した業務効率化をさらに進める必要があること、AIや音声入力の活用は業務効率化に有効で好事例を横展開すること、医師事務作業補助者の活用を進めることが挙げられています4。人手が減る中で医療を続ける手段として、AIが国の議論に入ってきました。

生成AIの2つの癖

大規模言語モデルは、それまでの文に続く語を予測して文章を作ります。「発熱の原因は」と続けるなら、感染症、薬剤、悪性腫瘍といった候補から、もっともらしいものを選びます。選ぶ基準はもっともらしさなので、事実と違う内容をそれらしく書くことがあります。これがハルシネーションです5。また、いまのモデルは、人が良いと評価した答えに近づくよう調整されています6。そのため、相手の考えに合わせる迎合が起きやすくなります7。

ハルシネーションがどこまで減ってきたか、文献の参照で何に気をつけるかは「Gemini 4 Hydrogenのハルシネーション改善:PMIDやDOIの注意点と対処法について」にまとめています。

生成AIの4つの変化

最近の生成AIには、大きく4つの変化があります。

生成AIの4つの変化
変化できるようになったこと気をつけること
手順を組んでから答える推論モデル答える前に思考の連鎖(Chain-of-Thought、CoT)で手順を組み、途中の手順を見せる手順が見えても、正しいとは限らない
資料を調べてから答える検索拡張生成(RAG)Web検索やファイル参照をつなぐと、根拠のURLが付いた答えが返るURLがない答えは事前学習の知識による。出典を確かめるのは使う人
自分で作業を進めるエージェント型AI検索、ファイル、コードの実行などの道具(ツール)を持ち、計画・実行・観察・修正を繰り返す。例:Claude Code、Codexファイルの削除や上書きなど、取り返しのつかない操作をすることがある。どこまでの操作と権限を与えるかに注意する
指示を待たずに動く常駐型・プロアクティブなAI時刻やメールの到着をきっかけに動き出し、判断が必要なときだけ人に聞く。例:Muse、dotsつなぐのは自分のメールや予定まで。職場のメールや患者情報を個人のAIにつながない

1つ目の推論モデル(reasoning model)は、答える前に考える手順を内部で組み立てるよう学習させたモデルです。問題を解く途中の手順を順に書かせると正答率が上がることは、思考の連鎖(Chain-of-Thought、CoT)として知られていました8。推論モデルは、この手順を答える前に自分で組み立てます。OpenAIは2024年9月にこの型のモデルを公表し、考える時間を長くするほど難しい問題の正答率が上がると報告しました9。2つ目は、外部の資料を検索してから答えを作る方法で、検索拡張生成(RAG)と呼ばれます10。いまのチャット型AIの多くは、Web検索やファイルの参照を組み合わせて、根拠のURL付きで答えます。

3つ目のエージェント型AI(AIエージェント)は、大規模言語モデルに道具(ツール)を持たせ、計画・実行・観察・修正を繰り返して作業を進める仕組みで、医療者が手元で使える形になっています。AnthropicのClaude Codeは、パソコンの中のファイルを読み、コマンドを実行し、作業を進める道具です11。OpenAIのCodexも指示を受けてコードや文書の作業を自分で進めます12。どちらも、ファイルを勝手に消したり書き換えたりといった、取り返しのつかない変更をしてしまうことがあります。どのフォルダを見せ、どこまでの操作を許すか、与える権限の範囲に注意が必要です。

4つ目の、指示を待たずに動く常駐型・プロアクティブなAIは、2026年の秋に各社から一般向けに出てきました。OpenAIの「dots」は頼もうと思うより先に動くこともあると説明されています13。将来的には、私たちがカルテを閉じている間にも記録を整理し、次の診察の前に前回の経過や確認すべき点を揃えておくような使われ方も考えられます。

患者情報を入れない仕事なら、たとえば次のような使い方ができます。

患者情報を入れない仕事での使い方の例
変化使い方の例
推論モデル院内規程の改定案について、変える点と影響する部署を挙げさせる。職員研修の確認問題と解説を作らせる
検索拡張生成(RAG)院内規程や手順書を読み込ませ、職員の質問に該当箇所を示して答えさせる
エージェント型AI委員会のフォルダにある資料と録音の文字起こしから、議事録と報告書の下書きを作らせる。集計表から会議用のスライドを作らせる
常駐型・プロアクティブなAI毎朝、自分のメールと予定から、今日の締め切りと返信待ちの一覧を届けさせる
朝7時を指す時計の下で、コーヒーを手にした人がノートパソコンの短いやることの一覧を見ている様子
朝、AIがまとめた今日のやることの一覧を見る

パーソナルAI「Muse」の便利さと、依存の心配

Metaは2026年9月、パーソナルAIエージェント「Muse」を米国で公開し、10月23日に日本でも提供を始めました14,15。Metaの説明では、Museは質問に答えるだけでなく、実際に作業をします。目標を伝えると計画を立て、ブラウザを開いてフォームに入力し、アプリを閉じたあとも作業を続けて、状況が変わったときや承認が必要なときに知らせます14。一度話しただけの細かいことも覚えていて、頼まれる前に提案することもあります。記憶については、一時的な情報と長く続く情報を見分けるよう学習させたと説明しています16。

安全面では、つなぐアプリと権限を自分で選び、送信や購入の前には確認が入るほか、操作履歴の確認や「忘れて」と頼むこともできます14。また、利用者ごとに隔離された仮想マシンで動くこと、インターネットへのアクセスを別のエージェントが管理すること、会話の内容をMetaの広告システムと共有しないことが示されています15。

ただ、常に応答して記憶や人格が続き、頼む前に動いたり迎合したりする仕組みは、道具というより「頼れる相手」になりやすく、AIへの感情的な依存につながりやすいと指摘されています(詳しくは「AIを「相手」として頼るとき」に書きました)。チャットボットを4週間使ってもらった無作為化試験(981名)では、割り付けた使い方による差は見られませんでしたが、自分から多く使った人ほど、孤独感や感情的な依存、問題のある使い方の指標が悪い傾向にありました17。心の不調が強い人ほど生成AIに悩みを相談していたという調査は「心の不調が強いほど、生成AIに悩みを相談していた」に、コンパニオンAIをめぐる訴訟は「Character.AIをめぐる訴訟と、コンパニオンAIのリスクと利点」にまとめています。

記録と文書で任せる仕事と、人が担う仕事

日常業務をAIに任せるときは、間違いが起きたときに誰が責任を負うかと、相手が人かどうかで作業を分けます。下書きや記録の整理まではAIに任せられても、内容を確認して確定し、患者さんやご家族に「何を伝え、何を伝えないか」を取捨選択しながら対話をして責任を引き受ける部分は、これからも人が担う仕事です。

日常業務の作業の仕分け
AIに下書きさせる
看護サマリーや情報提供書の下書き、会議の記録の整理、規程や文献の検索と要約、研修資料の作成
人が担う
内容の確認と確定、患者さんやご家族への説明と対話、方針の決定、後進の指導

国内では、長野県松本市の相澤病院の事例があります。生成AIを提供するUbie社が2026年7月1日に出したプレスリリースによると、音声入力とAI要約を使うことで、退院前カンファレンスの記録作成時間が60分から10分になりました18。退院前カンファレンスの実施件数は月4件から最大で月20件に、退院時共同指導料の算定件数は月2件から最大で月14件に増えました。導入後の数字は最も多かった月の値で、企業の発表による導入前後の比較です。記録の時間が減ったためカンファレンスを開ける回数が増え、回数が増えたため算定も増えました。記録が速くなった分をどの会議や算定につなげるかまで見通しておくと、院内で導入の説明がしやすくなります。

相澤病院の退院前カンファレンス(導入前と導入後)
  1. 記録の作成時間60分 → 10分(音声入力とAI要約)
  2. カンファレンスの実施件数月4件 → 最大で月20件
  3. 退院時共同指導料の算定件数月2件 → 最大で月14件

Ubie社のプレスリリース(2026年7月1日)。導入後は最も多かった月の値

もう1つは市立奈良病院です。厚生労働省が2026年8月に出した『これからはじめる 看護DX事例紹介 医療機関編』の取組事例10で紹介されています。ここでは生成AIが診療記録から看護サマリーのひな形を作り、看護師が根拠となる診療録と照合して確認し、修正しています19。対象は病棟の常勤看護師約200名で、効果検証の期間は2025年10月から2026年2月まででした。サマリー1件の作成時間の中央値は、電子カルテのログで測ると20分から4分になりました(24時間以内に完結した事例が対象)。同じ報告では、看護師の自己申告による平均の作成時間は25.1分から14.6分でした。「患者情報の取り扱いに不安あり」と答えた看護師が3.8%いたことも書かれています。実際にAIが作ったサマリーの下書きを確認するときは、古い情報と新しい検査結果などの時系列が入れ替わっていないか、重要な所見と些細な経過の重み付けがずれていないかを意識して見ることが大切です。

海外では、外来で医師と患者の会話を聞き、診療記録の下書きを作るAI(アンビエント記録、AIスクライブ)について、2026年にAnnals of Internal Medicine(Boothら)20やJAMA(Rotensteinら)21で大規模な研究が公表されています。

記録AIの4つの報告(測っているものの違い)
報告対象と方法結果
相澤病院(企業発表)退院前カンファレンスの記録、導入前後作成時間60分→10分、実施件数は月4件→最大20件
市立奈良病院(厚労省事例集)看護サマリー、病棟の常勤看護師約200名、導入前後中央値20分→4分(ログ)、平均25.1分→14.6分(自己申告)
Booth ら(Ann Intern Med)ボストンの14病院の医療システム、外来の902人、後ろ向きの中断時系列解析記録の作業時間は登録直後に約1.2分の小さな減少。当日・時間外の記録完了と生産性の指標には関連なし
Rotenstein ら(JAMA)米国の5つの大学病院、臨床医8,581名8時間の診療あたり、電子カルテに向かう時間が13.4分、記録の時間が16.0分減少

出典は参考文献18–21

このほか、診療開始時に集中する患者さんからの問い合わせ電話(いわゆるインボックス問題)の振り分けや、電話での事前問診による一次トリアージにAIを使う取り組みも始まっています。ただ、AIに不慣れな高齢の方がかえって受診しづらくならないか、地域の住民にとって受け入れやすい形かどうかは常に考えておく必要があります。

制度の面では、令和8年度の診療報酬改定で、医師事務作業補助体制加算の施設基準に、「生成AIを活用した文書作成補助システムの組織的導入・日常的活用」と「生成AIの適切な利用に関する研修」が入りました22。研修は年1回程度で、医師も原則受講です。

机に向かう看護師が、ノートパソコンの画面と開いた記録を、虫眼鏡を使って見比べながらペンで確認している様子
AIの下書きは、根拠となる診療録と照合して確定する

患者情報は、契約のある環境でだけ扱う

患者情報を扱うかどうかの根拠はいわゆる3省2ガイドラインです。厚生労働省の「医療情報システムの安全管理に関するガイドライン」第7.0版と、経済産業省・総務省の事業者向けガイドラインを合わせてこう呼びます23。2026年9月版のQ&A(企画管理編Q18)では、生成AIのプロンプトに医療情報を入力する場合が整理されました24。入力した情報が「AIの学習等のために保存されないこと」について契約等で担保されていれば、国内法の適用を受けていないサーバでも利用できるとされています。職員が個人で使う無料の一般向けサービスには、その契約がありません。設定で学習をオフにしても、それは契約ではありません。

3省2ガイドラインの役割分担
医療機関
厚生労働省「医療情報システムの安全管理に関するガイドライン」第7.0版。アクセスログの記録と定期的な確認、委託先の管理も含めて責任を負う
システム・サービスの提供事業者
総務省・経済産業省「医療情報を取り扱う情報システム・サービスの提供事業者における安全管理ガイドライン」第2.0版
患者情報を入れる仕事と、入れない仕事
施設が契約した環境で使う
看護サマリー、情報提供書、退院支援会議の記録など、患者情報を入れる仕事。年齢と病名、検査値だけ、カルテ画面の写真、診察や会議の録音も、一般の生成AIには入れない
院内規程の範囲で試せる
委員会の記録、院内規程のQ&A、研修資料、職員向けの案内など、患者情報を入れない仕事

先に挙げた相澤病院と市立奈良病院の事例は、いずれも「施設が契約した環境で使う」仕事にあたる

本物の患者さんのことを一般のAIに聞く必要があるときは、情報を一般化します。名前や住所を外すだけでは足りません。目安として、固有名詞、日付、施設名、画像を外し、年齢は小児・成人・高齢者の3区分、検査値は「高い」「低い」で表します。そのうえで、問いをP(患者)、I(介入)、C(比較)、O(結果)の形に直します。EBMの最初のステップである疑問の定式化と同じ作業です。

情報の一般化の目安と、架空症例での例
項目目安架空症例では
固有名詞・施設名・画像外す(含めない)
日付外す入院3日目の夜 → 含めない
年齢小児・成人・高齢者の3区分78歳 → 高齢者
検査値「高い」「低い」で表す(必要なら「血糖が高い」)
病名・状態問いに必要なものだけパーキンソン病、2型糖尿病、過活動型のせん妄
問いの形に直す(PICO)
要素この症例の問い
P(患者)パーキンソン病と2型糖尿病がある高齢者の、過活動型のせん妄
I(介入)薬を使う
C(比較)原因の治療を優先する
O(結果)症状と副作用がどう変わるか

調べる仕事では、読める資料が契約で決まる

汎用のAIは、オープンアクセスの論文や抄録は読めても、有料誌の全文は読めないと指摘されています25。読める範囲に偏りがあれば、根拠もオープンアクセスや抄録に偏るおそれがあります。引用が付いていても、AIが全文を読んだとは限りません。

本棚の前で本を開いている人。棚の半分はガラス戸に南京錠がかかっていて、中の本を取り出せない
汎用のAIが読めるのは、鍵のかかっていない棚だけ

医療専用のAIは出版社と契約し、論文を答えの材料にしています。OpenEvidenceはNEJMやJAMA Networkと複数年の契約を結んでおり、NCCNのガイドラインやコクランの系統的レビューも参照できます26。Mount Sinai Health Systemは2026年3月31日、OpenEvidenceを電子カルテのEpicの中から使えるようにすると発表しました27。組織が契約して業務の流れの中に組み込む形であり、医師だけでなく看護師や薬剤師も同じ環境から参照できれば、職種間の知識のすり合わせにも役立ちます。ただし、対象は医療従事者で、NPIなどの資格番号で登録します。正答率の報告もあり、専門医試験レベルの難しい10択問題100問では、数秒で答えるQuick Consultが最高34%、数分かけるDeep Consultが最高41%でした28。査読前の小規模な研究です。論文と契約していても、答えは自分で確かめる必要があります。

AIが読める資料は契約で決まる
読めるもの注意
汎用のAIオープンアクセスの論文、抄録、Web上の公開資料有料誌の全文は読めないと指摘されている。根拠が偏るおそれ
医療専用のAI(例:OpenEvidence)契約した出版社の論文(NEJM、JAMA Networkなど)、NCCNのガイドライン、コクランの系統的レビュー利用資格がある。正答率は最高でも34〜41%という査読前の報告

架空の症例で確かめてみます。78歳の男性で、パーキンソン病と2型糖尿病があります。誤嚥性肺炎で入院し、3日目の夜から落ち着かなくなり、過活動型のせん妄と診断されました。情報を一般化すると「高齢者、パーキンソン病、2型糖尿病、過活動型のせん妄」です。この方のせん妄に使う薬をAIに聞くと、たとえば「ハロペリドールは、パーキンソン病をもつ患者では避ける。候補はクエチアピンで、海外の指針でも使える薬とされている。少量から始める」という答えが返ってきます。

ところが、日本のクエチアピンの添付文書では、糖尿病のある患者と、糖尿病の既往歴がある患者は禁忌です29。血糖が著しく上昇し、ケトアシドーシスなどで致命的な経過をたどることがあるとされるためです。ドイツ神経学会の指針はパーキンソン病のせん妄にクエチアピンを使えるとしています30。パーキンソン病のせん妄だけであれば日本でも使われることがある薬ですが、この患者さんには2型糖尿病があるため、日本の添付文書では禁忌にあたります。

AIの答えを添付文書で確かめる
AIの答え(例)
ハロペリドールは、パーキンソン病をもつ患者では避ける。候補はクエチアピンで、海外の指針でも使える。少量から始める
添付文書で確かめると
クエチアピンは、糖尿病のある患者と糖尿病の既往歴がある患者には禁忌。この方は糖尿病のある、パーキンソン病をもつ患者なので使えない。AIの答えには糖尿病への言及がない
ノートパソコンを持つ人と、厚い紙の本を開いて一行を指さす人が、並んで見比べている様子
AIの答えは、添付文書で確かめてから使う

AIが間違うと、使う人の判断も引きずられます。AIの使い方を20時間学んだ医師44名の無作為化試験では、AIの提案に誤りがないときの診断の正答率は84.9%でしたが、誤った提案が混ざると73.3%に下がりました31。胸部画像の研究では、AIが誤った提案をしたときに誤診に転じた割合が、レジデントで60.6%、放射線科医で32.4%でした32。経験が浅いほど、AIの提案に従いやすい結果です。AIの提案を信じすぎることを自動化バイアスと言います。対策はAIの答えを見る前に自分の判断を持っておくことです。

AIの誤りに引きずられる(自動化バイアス)
医師44名の診断正答率 提案に誤りなし84.9% 誤った提案あり73.3% 胸部画像:誤った提案で誤診に転じた割合 レジデント60.6% 放射線科医32.4%

Qazi ら(NEJM AI 2026)、Song ら(AJR 2026)

AIにどこまで任せるかについて、日本医師会の答申「AIに関する臨床的課題と生命倫理について」(2026年4月8日)は、適用範囲を3段に整理しています33。

AIの適用範囲(日本医師会の整理)
業務適用
文書作成と要約適用可能
検査や処方の提案慎重
確定診断や救急の最終判断の代替適用困難

確定診断の最終判断と責任は医師にあると明記されている

看護サマリーと退院前カンファレンスの記録は、この「適用可能」の段にあります。病院でAIを入れるなら、まずはここから始めるのが現実的です。

正しい情報も、伝え方で届き方が変わる

AIで正しい情報が手に入りやすくなっても、患者さんに伝えて受け入れてもらえるかは別の話です。たばこが体に悪いことは多くの人が知っています。それでも、「健康に悪いからやめましょう」と言われてすぐやめる人は多くありません。

私が作って公開している禁煙外来シミュレーターでは、架空の患者ネコタ・タマさん(50代の営業職、家族に促されて初めて禁煙外来に来た)の言葉に対し、医師役として返答を選びます。するとネコタさんが声で答え、返答ごとに◎、△、✕が表示され、最後に場面ごとの振り返りが出ます。患者情報を入れない仕事なら、個人で使えるAIでもここまで作れます。AIの模擬患者で失敗してよい練習ができるようになったことの意味は「失敗してよい場所と、責任を引き受ける場所」で考えました。

「式では元気に歩きたい。でも、今さらやめても手遅れだろう」への2つの返答
△ すぐに打ち消す
「いえ、手遅れではありません。何歳でやめても健康によい効果があります。ですから、今日から始めましょう」
◎ 受け止めてから伝える
「式では元気に歩きたい。一方で、手遅れかもしれないとも感じておられる」→「からだの変化について、お伝えしてもいいですか」→「何歳でやめても、からだによい効果があると分かっています」→「ここまで聞いて、どう思われますか」

伝える内容は同じで、違うのは伝える前と後

小さな机をはさんで、火のついていないたばこを持つ人の話を、向かいの人が身を乗り出して聞き、手元のノートに書きとめている様子
正しい情報は、相手の気持ちを受け止めてから伝える

「すぐに打ち消す」返答も、内容は正確です。禁煙は何歳で始めても健康に利益があります34。違うのは伝える順番で、「やめたいけれど、やめられない」という両価性の両方を受け止めて返し、伝えてよいかを尋ね、最後に相手の考えを尋ねます。こうした対話の技術は、診療の進み方だけでなく、患者さんの体験や満足度(Patient Experience)にも関わります。

ここで注意したいのが、先ほど触れたAIの迎合です。対人支援の基本である「肯定」は、相手の体験や感情を否定せずに受け止めたうえで、必要なことを伝えます。一方の「迎合」は、相手が満足するように合わせることであり、AIは設計上こちらに流れやすい性質があります。健康の悩みをAIに相談する人は増えていますが、聞いて心地よい答えがそのまま治療につながるとは限りません。むしろ、相手の気持ちに合わせすぎるあまり、「もういいや、自分はみんなと違う」と今の行動を合理化し、よくない習慣を強めてしまう危うさもあります。治療のゴールを見据えて行動が変わるきっかけを作る役割は、AIが広がるほど医療者に求められる部分になります。

多職種で広角の視野を持つ

AIは虫眼鏡や双眼鏡のように、関心のある領域を深く遠くまで見るのには向いていますが、関心の外は手薄になりやすい道具です。医師が使えば医師の関心に沿った情報が、看護師が使えば看護師の関心に沿った情報が深まります。それぞれの観察を持ち寄らなければ、本人の希望や職種ごとの見方の違いは、どのAIにも渡されないまま残ります。各職種が自分の持ち場をはっきりさせたうえで意見を出し合うことで、チーム全体の視野が広がります。

職種ごとの関心と、関心の外に落ちやすいもの
職種AIで深めやすい関心
医師診断と治療方針
看護師生活と、その変化の観察
薬剤師服薬の実際
理学療法士など動作や環境
どの職種の関心にも入りにくい本人の希望、職種の間の違い

架空の退院支援会議で考えます(同じ4つの手順と練習の仕方は「生成AI時代の医療者の学び直しとチーム形成」でも詳しく扱っています)。80代の患者さんが肺炎で入院し、自宅へ戻ることになりました。医師、病棟看護師、薬剤師、理学療法士、ソーシャルワーカーが集まり、ケアマネジャーが電話で参加します。

AIを使う退院支援会議の4つの手順
  1. 各職種が書き出すAIを見る前に、何を見たか、何が分からないか、何を優先するかを短く書く
  2. AIで補う根拠、別の仮説、見落としがないかを求め、AI由来の提案だと分かる形で並べる
  3. 相違と欠落を確かめる意見が違う理由、根拠のない生成内容、患者さんの希望や生活条件との不一致を確かめる
  4. 共同で決める採用と不採用の理由と担当を記録に残す
会議室で5人がテーブルを囲み、それぞれ手元のメモを机の上に置いて持ち寄っている様子。中央に1枚のメモが置かれている
それぞれの観察を持ち寄ってから、AIで補う

現場でよく聞かれること

患者情報を生成AIで扱うとき、何を確かめればよいですか

先に触れたとおり、医療機関は厚生労働省の安全管理ガイドライン23、提供事業者は総務省・経済産業省のガイドライン35に沿って対応します。海外サーバを使う場合は、入力した医療情報が保存されないことを契約等で担保する必要があり、「学習に使わない」という説明だけでは足りません24。あわせて、利用者のアクセスログを記録して定期的に確認することも求められています36。

自前でサービスを作り込むほど、組織が抱えるセキュリティ上の脆弱性や保守の負担は増えていきます。AIとセキュリティに詳しい人が少ない組織では、監査ログの仕組みを含めて要件の確認や保守を支援できる事業者を使うのが現実的だと考えます。ガイドラインにも、専任の担当者がいない医療機関が保守を事業者に委託する場合の手引きがあり、事業者の選定、契約内容の確認、対策の開示資料の確認が示されています37。ただし、委託しても医療機関の管理責任はなくなりません37。「ガイドライン準拠」の表示だけで判断せず、契約内容と責任の分担まで確かめておく必要があります。

電子カルテと組み合わせて使っている病院はありますか

国内でも、電子カルテや院内の記録と生成AIを組み合わせた例が出てきています。

国内の生成AIの導入例(公表資料から)
施設・製品使い方公表された内容
藤田医科大学病院電子カルテの情報から退院時サマリーの下書きを作り、医師が修正して取り込む2025年3月に入院機能のある31診療科へ展開38
相澤病院(Ubie)音声入力とAI要約で退院前カンファレンスの記録を作る作成時間60分→10分(企業発表)18
名古屋医療センター(富士通Japan)電子カルテの情報から退院サマリーの下書きを作る2025年10月31日に本格運用を開始39
TXP Medical「SpeechER」スマートフォンへの音声入力を診療記録の形式に整える(救急外来向け)発売時の発表ではクラウドで処理40。院内環境に構築する選択肢もある41
NEC「MegaOak AIメディカルアシスト」電子カルテの情報から紹介状や退院サマリーなどの文章案を作る製品として提供42

現場で使われ続けるかどうかは、設計と導入の進め方にも左右されます。どれだけ高機能なツールでも、忙しい診療の中でわざわざ別の画面を開かないと見られない仕組みは使われにくいため、開発の側には、電子カルテの自然な流れの中で「今この患者さんに必要な注意」がさりげなく示される工夫が求められます。また、紙の運用に慣れた職員が多い職場では、いきなり全面切り替えをすると現場が離れてしまうこともあります。「AI」を前面に出しすぎず、従来の運用と併用しながら段階的に広げ、「使ってみたら手間が減った」と実感できる形から入るのが現実的です。

訪問看護や在宅医療でも取り組みはありますか

アルムは2025年8月から10月に、新潟県長岡市と三条市の6か所の訪問看護ステーション(看護師15名、利用460件)で実証を行いました43。多職種連携システム「Team」の前月の報告書や当月の計画書・記録から、AIが訪問看護報告書の下書きを作る機能で、同社は報告書の作成時間が最大42%短くなったと公表しています。

自宅の椅子に座る高齢の人のそばにかがんだ訪問看護師が、スマートフォンに短いメモを話しかけている様子
見たことをその場で声に残し、記録の下書きに使う

在宅医療向けの電子カルテ「homis」では、保存された診療情報をAIが解析し、主治医意見書などを作成する機能が公表されています44。松原アーバンクリニックの報告では、電話の内容を文字にし、AIが診療録の下書きに整える取り組みを、日中のオンコール電話1回線で試していました45。作った文章は職員が確認して修正しています。

医療と介護の情報共有には、どうつながりますか

国は医療機関の間で情報を共有する電子カルテ情報共有サービスの整備を進めています。2026年7月の案内では、共有の対象は診療情報提供書、退院時サマリー、健康診断結果報告書の3文書と、傷病名、感染症、薬剤アレルギー等、その他アレルギー等、検査の5情報です46。診療情報提供書には紹介の目的や診療方針、連絡事項も書けます。ただ、検査結果や処方内容だけでは、「なぜ今このタイミングで紹介するのか」「紹介したあとも自分たちは関わり続けるのか」までは伝わりにくいものです。AIが下書きを作ったあとに、送り手が自分の言葉で一言添えるだけでも、地域の連携はずいぶん円滑になります。

医師は患者さんのふだんの「生活」を想像するのが苦手になりがちですが、訪問看護や介護の現場には日々の暮らしの情報が豊富にあります。目の前で見たことを言葉にするのには労力がかかりますが、会話の内容を記録の下書きに使い、確定した情報を地域の共有基盤に載せて要点をまとめられれば、AIは多職種どうしのコミュニケーションを助ける眼鏡のように働きます。将来的には、常駐型のAIが日々の記録を見守り、「この方、そろそろ訪問診療を早めたほうがよいかもしれません」と翌朝に知らせてくれるような形も現実味を帯びています。

制度や研究の面でも連携は進んでいます。NDB(レセプトのデータベース)と介護DBを連結して分析する制度が2020年10月に始まっており47、それぞれの利用承諾を得て活用できます48。また、本人が自分の健康・医療情報を管理するPHRでも、同意のもとでマイナポータルから外部サービスへ情報を連携できるようになっています49。

生まれた時間の使い道

米国の内科1年目の研修医80名を2,173時間観察した研究があります。そこでは、24時間のうち患者を直接診ていたのは13%(約3時間)で、患者から離れた業務が66%でした。そのうちカルテと記録だけで43%、10時間あまりを占めていました50。

内科1年目研修医の24時間の内訳
13% 43% 23% 21% 直接診る カルテと記録 記録以外の間接業務 その他 患者から離れた業務 66%=カルテと記録 43%+記録以外 23%

Chaiyachati ら(JAMA Intern Med 2019)の値から作図。「その他」は100%から残りを引いた値

奈良の看護サマリーでは、1件あたりの中央値が20分から4分になり、差は16分でした。相澤の退院前カンファレンスの記録では、60分が10分になり、差は50分でした。この16分と50分をどこへ戻すかは、病院ごとに決められます。残業を減らすのも1つの答えですし、相澤病院のようにカンファレンスや算定の回数を増やすほうへ戻すこともできます。それに加えて、退院前に患者さんやご家族の不安を聞く時間や、多職種で「目の前の患者さん・ご家族を良くするためにどうしようか」と考え合う時間を取り戻すこともできます。人と人とがやりとりする時間を捻出するためにAIを使う、という発想です。2025年のNEJMの総説も、ベッドサイドでの診療を取り戻すための戦略を挙げ、観察と判断を補強するものとしてAIを位置づけています51。

AIで生まれた時間
看護サマリー1件(市立奈良病院、中央値) 導入前 20分 導入後 4分(16分の差) 退院前カンファレンスの記録(相澤病院) 導入前 60分 導入後 10分(50分の差)

棒の長さは時間に比例

ルーク・フィルデスの「The Doctor」(1891年)は、病床の子どもを見守る医師を描いた絵です。当時はまだ治療法が確立されておらず、治す術がない病気も多くありました。フィルデス自身も1877年に幼い息子を亡くしていますが、もう治す手立てがないと分かっている状況でも、その医師は夜通し息子のそばに向き合い続けたといいます。その姿に心を打たれて描かれたのがこの絵です。1927年のJAMAに載った、ハーバード大学医学部の学生に向けたFrancis Peabodyの「患者のケアの秘訣は、患者を大切に思うことにある」という言葉も、同じところを指しています52。

ランプの灯る質素な部屋で、椅子を並べた上に寝かされた子どものそばに、医師が身をかがめて座り、あごに手を当てて見守っている。奥には子どもの父親が立ち、窓辺で母親が顔を伏せている
ルーク・フィルデス「The Doctor」(1891年展示、Tate所蔵)。画像: Wikimedia Commons(パブリックドメイン)
病室で、医師が高齢の患者のベッドのすぐそばに寄り添い、顔を見て話を聞いている様子。背後の机にはノートパソコンが置かれたままになっている
空いた時間は患者さんのそばで

逆説的ですが、AIの活用が進むほど、どの病院や診療所でも診療の質は底上げされ、均質化していきます。どこに行っても質の高い医療が受けられるようになること自体は望ましい変化です。しかし、診療の質が均質化した先に残るのは、「この先生にかかりたい」「この人と一緒に働きたい」と思える人と人との関わりです。患者さんやご家族と話す時間、多職種で顔を見合わせて考える時間が心地よい職場には人が集まり、タスクシェアも進み、結果として若い人材の確保にもつながっていきます。記録の時間が短くなった分を再び画面の前の作業で埋めてしまうのではなく、患者さんのそばで使うこと。AIを使いこなせば使いこなすほど、人間の温かみが同時に大事になっていきます。

参考文献

  1. 新たな地域医療構想等に関する検討会. 新たな地域医療構想に関するとりまとめ. 2024年12月18日. https://www.mhlw.go.jp/content/10800000/001357306.pdf
  2. 厚生労働省. 令和4年版厚生労働白書(概要). 2022年9月. https://www.mhlw.go.jp/content/000988388.pdf
  3. 厚生労働省医政局長. 地域医療構想の作成について. 2026年8月5日. https://www.mhlw.go.jp/content/10800000/001734247.pdf
  4. 医師の働き方改革の推進等に関する検討会. 資料. 2026年10月29日.
  5. Kalai AT, et al. Why Language Models Hallucinate. arXiv:2509.04664. 2025. https://arxiv.org/abs/2509.04664
  6. Ouyang L, et al. Training language models to follow instructions with human feedback. NeurIPS 2022. arXiv:2203.02155. https://arxiv.org/abs/2203.02155
  7. Sharma M, et al. Towards Understanding Sycophancy in Language Models. ICLR 2024. arXiv:2310.13548. https://arxiv.org/abs/2310.13548
  8. Wei J, et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022. arXiv:2201.11903. https://arxiv.org/abs/2201.11903
  9. OpenAI. Learning to Reason with LLMs. 2024年9月12日. https://openai.com/index/learning-to-reason-with-llms/
  10. Lewis P, et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020. arXiv:2005.11401. https://arxiv.org/abs/2005.11401
  11. Anthropic. Claude Code overview(公式ドキュメント). 2026年11月20日閲覧. https://code.claude.com/docs/en/overview
  12. OpenAI. Codex(公式ドキュメント). 2026年11月20日閲覧. https://developers.openai.com/codex
  13. OpenAI. dots のご紹介. 2026年9月29日. https://openai.com/ja-JP/index/introducing-dots/
  14. Meta. Introducing Muse. 2026年9月8日(11月10日更新). https://about.fb.com/news/2026/09/introducing-muse/
  15. Meta. パーソナルAIエージェント「Muse」日本で提供開始. 2026年10月. https://about.fb.com/ja/news/2026/10/muse-personal-ai-agent-launches-in-japan/
  16. Meta. Bringing Specialized Models to Muse and Meta AI. 2026年11月6日. https://research.meta.ai/blog/specialized-models-for-muse-and-metaai
  17. Fang CM, et al. How AI and Human Behaviors Shape Psychosocial Effects of Extended Chatbot Use: A Longitudinal Randomized Controlled Study. arXiv:2503.17473. 2025. https://arxiv.org/abs/2503.17473
  18. Ubie株式会社. プレスリリース(相澤病院での導入事例). 2026年7月1日. https://prtimes.jp/main/html/rd/p/000000216.000048083.html
  19. 厚生労働省. これからはじめる 看護DX事例紹介 医療機関編. 2026年8月. 取組事例10. https://www.mhlw.go.jp/content/001749587.pdf
  20. Booth SE, et al. Impact of Unrestricted Artificial Intelligence Scribe Deployment in a Single Health System on Clinician Workload and Productivity. Ann Intern Med. 2026. doi:10.7326/ANNALS-25-05294
  21. Rotenstein LS, et al. Changes in Clinician Time Expenditure and Visit Quantity With Adoption of Artificial Intelligence–Powered Scribes. JAMA. 2026;335:1408. doi:10.1001/jama.2026.2253
  22. 令和8年度診療報酬改定. 医師事務作業補助体制加算 施設基準.
  23. 厚生労働省. 医療情報システムの安全管理に関するガイドライン 第7.0版. https://www.mhlw.go.jp/stf/shingi/0000516275_00006.html
  24. 厚生労働省. 医療情報システムの安全管理に関するガイドライン 第7.0版 Q&A. 2026年9月版. https://www.mhlw.go.jp/content/10808000/001752355.pdf
  25. Jesudason D, et al. OpenAI's ‘Deep Research’ for the Generation of Comprehensive Referenced Medical Reviews. ANZ J Surg. 2025;95:2250–2252. doi:10.1111/ans.70161
  26. OpenEvidence. 公式パートナー一覧(2026年9月確認).
  27. Mount Sinai Health System. 発表(2026年3月31日).
  28. Jagarapu J, et al. medRxiv. 2025(査読前).
  29. クエチアピンフマル酸塩 添付文書. 医薬品医療機器総合機構(PMDA).
  30. Witt K, et al. Diagnostics and treatment of impulse control disorders, psychosis and delirium: systemic review-based guideline “Parkinson’s disease” of the German Society of Neurology. J Neurol. 2024;271:7402–7421. doi:10.1007/s00415-024-12576-x
  31. Qazi IA, et al. Automation Bias in Large Language Model–Assisted Diagnostic Reasoning among Physicians Trained in AI Literacy. NEJM AI. 2026;3(5). doi:10.1056/AIoa2501001
  32. Song J, et al. Human-in-the-Loop Large Language Model–Augmented Diagnostic Reasoning in Thoracic Imaging: Impact of Radiologic Expertise. AJR. 2026;227:e2634999. doi:10.2214/AJR.26.34999
  33. 日本医師会. 答申「AIに関する臨床的課題と生命倫理について」. 2026年4月8日.
  34. 厚生労働省. e-ヘルスネット「禁煙の効果」.
  35. 総務省・経済産業省. 医療情報を取り扱う情報システム・サービスの提供事業者における安全管理ガイドライン 第2.0版. 2025年3月28日改定.
  36. 厚生労働省. 医療情報システムの安全管理に関するガイドライン 第7.0版 システム運用編. 2026年6月. 第17章. https://www.mhlw.go.jp/content/10808000/001716297.pdf
  37. 厚生労働省. 医療情報システムの安全管理に関するガイドライン 第7.0版 保守委託機関編・経営管理編. 2026年6月. https://www.mhlw.go.jp/content/10808000/001716291.pdf
  38. FIXER・藤田学園. 医師の92%が業務効率化につながったと回答 生成AIを活用した「退院時サマリー作成支援システム」が実用化. 2025年5月27日. https://fixer.co.jp/news/2025/05/2025_0527_001_jointly_developed_a_system_that_utilizes_ai_with_fujita_academy/
  39. 富士通Japan. 生成AIを活用した医療文章作成支援サービスを名古屋医療センター様に導入し、退院サマリを対象に本格運用開始. 2025年11月19日. https://info.archives.global.fujitsu/jp/group/fjj/documents/about/resources/press-releases/2025/1119-01.pdf
  40. TXP Medical. 生成AIを利用した急性期病院向け音声入力アプリをリリース. 2024年12月3日. https://txpmedical.jp/news/6NdQuxfuT8L7gdB3xbmtNG/
  41. TXP Medical. SpeechER(製品情報). 2026年11月20日閲覧. https://txpmedical.jp/service/speecher/
  42. NEC. MegaOak AIメディカルアシスト(製品情報). 2026年11月20日閲覧. https://jpn.nec.com/medical_healthcare/aimedicalassist/index.html
  43. アルム. 訪問看護の報告書作成時間を最大42%削減 AIで“看護師がケアに使える時間”を創出. 2026年5月25日. https://www.allm.net/news/20260525/
  44. メディカルインフォマティクス. 在宅医療専門クラウド型電子カルテ「homis」が全面リニューアルしました! 2024年4月4日. https://prtimes.jp/main/html/rd/p/000000015.000074761.html
  45. 松原アーバンクリニック. 医療機関におけるAI技術活用促進事業 事業成果報告書(令和6年度分). 東京都. https://www.hokeniryo.metro.tokyo.lg.jp/documents/d/hokeniryo/ai_matubara
  46. 厚生労働省. 電子カルテ情報共有サービス 概要案内 2.1.0版. 2026年7月. https://www.mhlw.go.jp/content/10800000/001457777.pdf
  47. 厚生労働省. 今後のNDBについて(第11回匿名医療情報等の提供に関する専門委員会 資料1). 2022年8月31日. https://www.mhlw.go.jp/content/12400000/000982804.pdf
  48. 厚生労働省. NDBの利用を検討している方へのマニュアル. 2026年10月版. https://www.mhlw.go.jp/content/12400000/001756587.pdf
  49. 健康・医療情報の活用拡大について(資料3). 2026年3月5日. https://www.mhlw.go.jp/content/10904750/001665815.pdf
  50. Chaiyachati KH, et al. Assessment of Inpatient Time Allocation Among First-Year Internal Medicine Residents Using Time-Motion Observations. JAMA Intern Med. 2019;179:760. doi:10.1001/jamainternmed.2019.0095
  51. Garibaldi BT, Russell SW. Strategies to Reinvigorate the Bedside Clinical Encounter. N Engl J Med. 2025;393:2142–2150. doi:10.1056/NEJMra2500226
  52. Peabody FW. The Care of the Patient. JAMA. 1927;88:877. doi:10.1001/jama.1927.02680380001001