1773315295
2026-03-11 13:27:00
人工知能は、理論的な概念から実用的な現実へと急速に進歩しました。 2025 年の時点では、 ヘルスケア部門の獲得 AI 投資全体の約 43%、支出額は約 15 億ドルに相当します。
からのデータによると シリコンバレー銀行現在、医療投資全体のほぼ半分 (46%) が AI テクノロジーに向けられています。同時に、 デロイトのレポート 組織はデジタル イニシアティブの予算の平均 36% を AI 主導のプロジェクトに充てています。
AI 対応ツールは現在、臨床意思決定支援 (CDS) や収益サイクル管理 (RCM) などの臨床および管理ワークフロー全体に組み込まれています。これらのツールは患者ケアと財務パフォーマンスの変革を約束しますが、基本的な真実が 1 つ残っています。それは、AI の効果は、その構築に基づいたデータの品質によって決まります。
「悪いデータ」の拡大を防ぐために、医療 IT および情報学のリーダーは、データの整合性とアルゴリズムの出力との共生関係を理解する必要があります。
AI におけるデータ整合性の低下による 4 つの重大なリスク
収益サイクルのリーダーを対象とした 2025 年第 4 四半期の調査では、次のことが明らかになりました。 74% が引用 AI 導入を成功させる主な障壁となるのは、データ品質の悪さです。成功は、ニューラル ネットワークの複雑さやベンダーの約束によって決まるのではなく、基礎となるデータの完全性、完全性、正確さによって決まります。
1. 埋め込みバイアスのスケーリング – バイアスは依然としてヘルスケア AI における最上位のリスクです。モデルが大規模な集合データセットでトレーニングされたか、狭い特定のデータセットでトレーニングされたかにかかわらず、モデルは地域の患者集団を代表していないリスクを伴います。
たとえば、大都市の学術医療センターのデータに基づいてトレーニングされたモデルは、地方やコミュニティベースの設定に適用できないことがよくあります。モデルがなじみのない臨床マーカーや文書化基準に遭遇すると、コンテキストが欠如しているにもかかわらず、重要なシグナルを無視したり、「アルゴリズムの過信」を示したりする可能性があります。
さらに、データポイントが存在しないことは、臨床上の問題が存在しないことを意味するわけではありません。しかし、貧弱なデータに基づいてトレーニングされた AI は、データをまさにそのように解釈する可能性があります。
2. 目に見えない文書化されたギャップの持続 – AI は、臨床文書のギャップを埋めるためのソリューションとして頻繁に宣伝されます。ただし、AI は、見るように訓練されていないものを認識することはできません。特定の患者集団やまれなケア経路が過去の標準から外れている場合、AI は不作為のフラグを立てられない可能性があります。自動化に過度に依存すると、特に人間の臨床的直観が必要な非標準的なケースでは、誤った安全感が生じる可能性があります。
3. エラーの「産業化」 – AI の主な価値提案はスケールです。残念ながら、規模が拡大するとリスクも増幅されます。
人間による文書化またはコーディングのエラーは、通常、1 回の遭遇に限定されます。同じエラーがトレーニング データセット内に存在する場合、AI はマシンの速度でその不正確さを数千回の遭遇にわたって伝播します。堅牢なデータ ガバナンスがなければ、組織は不正確さを標準化してシステム全体の障害を引き起こし、修復が困難でコストがかかるリスクを負います。
4. 臨床および運営の信頼の低下 – 最前線の専門家は、出力によって幻覚、偽陽性、または疑わしい臨床推奨事項が生成されると、新しい AI ソリューションに対する自信を失います。臨床医や他のエンドユーザーが出力に対する信頼を失うと、懐疑的な見方が他のすべてのデジタル変革の取り組みに広がります。
医療業界は以前にもこのような状況を経験しました。初期の EHR の導入により、価値を提供することなくワークフローが混乱し、医師の燃え尽き症候群と抵抗が何年にもわたって生じました。 AI の導入も同様の転換点にあります。信頼性は一貫した正確さによって得られます。
好例: 自律コーディングとデータギャップ
自律コーディング システムは通常、人間が最初にコーディングした履歴チャートに基づいてトレーニングされます。過去の精度が平均 90% である場合、AI は大幅な介入なしに 95% の「クリーン クレーム」基準に到達することはできません。
これにより、直接請求の自動化に移行する前に、データ品質のギャップを埋める必要があります。履歴データの監査と修正がなければ、完全な自動化が遅れ、組織はコストのかかる検証手順と、AI の本来の投資収益率を相殺するハイブリッド ワークフローの実装が必要になります。
自律型コーディングは、AI の不適切な結果につながる不適切なデータの一例にすぎません。 AI ソリューションが医療企業全体に拡大されるにつれて、さらに多くのソリューションが登場すると期待しています。
AI のスケーラビリティへの戦略的な道筋
マッキンゼーによると 2025 年の AI の現状 報告、組織の 3 分の 2 近くはまだ AI プロジェクトを企業全体に拡張できていません。 2026 年に向けて、規律あるデータファーストのアプローチが推奨されます。
全社的な導入に備えるために、ヘルスケアテクノロジーのリーダーはデータ管理のこれら 4 つの柱を優先する必要があります。
- 監査履歴記録: モデルのトレーニングまたは調整に使用されるデータの体系的な不正確さを特定します。
- 精度のベースラインを確立します。 AI のパフォーマンスを測定する前に、手動環境での成功とはどのようなものかを定義します。
- 既知のギャップを修正します。 自動化の前に、ドキュメントとコーディング標準の不一致に対処します。
- 人間参加型 (HITL) 監視を維持します。 臨床および技術ガバナンスが展開ライフサイクルの中心であり続けるようにします。
AI は力を倍増させるものですが、それはそれが置かれている基盤の質を倍増させるだけです。成功は、データの整合性を後付けではなく戦略的インフラストラクチャとして扱うリーダーに属します。
写真：ガレヌ・ミハイ、ゲッティイメージズ
ニコラス・ラアップ の最高戦略およびイノベーション責任者です。 e4ヘルスは、臨床、運用、中間収益サイクルのソリューションを専門とするヘルスケア テクノロジーおよびコンサルティング会社です。彼は、医療情報データとワークフローの合理化、コーディング、品質、臨床文書の整合性の最適化、医療 IT 運用の複雑な課題への対処に重点を置いた戦略とイノベーションの取り組みを主導しています。
ヘルスケアテクノロジーにおける 20 年以上の経験を持つ Raup は、医療提供者と医療プランの両方の管理負担を軽減しながら、臨床的および財務上の成果を向上させるソフトウェアとサービスの提供を推進してきました。 e4health に入社する前は、Optum、Change Healthcare、McKesson で指導的役割を務めていました。
この投稿は、 メッドシティのインフルエンサー プログラム。誰でも、MedCity インフルエンサーを通じて MedCity News でヘルスケアにおけるビジネスとイノベーションに関する視点を公開できます。 方法を確認するにはここをクリックしてください。
#人工知能と誰も無視できないデータ品質問題