医療機関がAIを活用し、ヘルスケア変革を加速させるには

仮にAIプロジェクトの初期段階で軌道修正が必要になったとしても、医療用生成AIが生み出す能力に関して自社組織の賛同が失われることにならないよう、AIの大規模展開を包括的に進められる戦略が必要です。「大胆かつ新奇なイノベーションの採用は、とりわけ、患者の安全を第一に考えるヘルスケアのプロフェッショナルにとってはハードルが高いものです。だとしても、強力なリーダーシップによって、適切な教育を行い、患者ケアに明確な臨床上のメリットがあることを実証できれば、そうした課題を克服できるでしょう」と、BioIntelliSense社のMault博士は語ります。

EY CEO Outlook Pulse Surveyに回答したヘルスケア企業CEOのうち、40%以上が自社の企業ビジョンと戦略担当の経営層に直結する「AIタスクフォース」を立ち上げたと回答しています。

まず、経営層は、AIと生成AIを導入した将来の運営モデルについて、明確な方針と戦略的なビジョンを打ち出さねばなりません。こうした将来を描くには、各種アルゴリズムを運用し維持する組織のケイパビリティをどう成長させるかを検討する必要があります。また、方策を練らねばならないのは、アルゴリズムのサポートに用いる基礎データの監視、アルゴリズムに関するテストやトレーニングの実施と変更管理、およびアルゴリズムの相対的有効性を左右する可能性のある、データ要素やケアモデル、手順といった項目の変更を監視する方法などの整備についてです。アルゴリズムが別のアルゴリズムに依存するようになる未来は容易に想像できるため、企業全体の変更管理の能力や役割、スキルを進化させ、複雑な状況やリスクを適切に管理できるようにしなければなりません。そのためには、経営陣はこうした将来の医療運営モデルへの影響を考察し、今後の計画や投資、雇用、トレーニングのためには、また医療機関を守るためには今、何をする必要があるのかを検討することが不可欠です。
 

AI戦略策定に向けた取り組みを進めるヘルスケア企業CEO

今できること：すぐに成果を出せる取り組みから始めることです。つまり、複雑なユースケースに挑む前にまず、低リスク・低コストの社内向けのユースケースから始めて、必要なアルゴリズムやガバナンスプロセス、変更管理について経営層のステークホルダーに理解を促すようにします。

今後注力すべきこと： 経営層は、新しいプロジェクトの推進や、戦略的コミュニケーションやプロジェクトの監督を行う上でキーパーソンとならねばなりません。

AIが世界的に進化し続ける中、規制当局は、この新しい環境で適切にかじを切って進むべく、あわただしい動きを見せていますが、その動きは、とりわけ医療機器や臨床検査ワークフローへAIを採用することに関し、顕著なものになっています。バイアスのかかったアルゴリズムやデータセットの変化が患者ケアに及ぼすリスクを防ぐため、医療機関はパフォーマンスの監視と変更管理に特に注意を払う必要があります5。

安全で持続可能であり、かつ、信頼でき、透明性の高いAIを確保する上で、ガバナンスは要です6。「『説明可能なAI（XAI）』は、提示された情報が臨床で受け入れられている治療プロトコルに基づいていることを医師が理解し、それに基づいてより良い判断ができるようにするために重要です」と、デジタルヘルスケアと診断ソリューションを提供するグローバル企業、Dedalus社のグループ最高デジタル責任者であるFemi Ladega氏は述べています。「医療機関のAIガバナンスは、ヘルスケア企業のAIモデルの成熟したニーズに対応できるよう、柔軟でなければなりません」。

AIや生成AIを巡る動きが活性化する中、医療機関が外部支援を求めるにつれ、いくつものポイントソリューションに頼ることで、管理不能となり、逆に費用が高くつくといった危険性もあるためです。こうした急速に変化する状況下では、医療機関は自身が選ぶパートナーやソリューションで構成されるエコシステムをよく検討し、それを構築していくための方針を定める必要があるでしょう。

今できること：AIガバナンスを、今ある組織やデータのガバナンスと調和させることです。医療機関がAIを受け入れ、理解できるよう、既存のプロセスの中にAIを組み込みます。

今後注力すべきこと：AIのポートフォリオ全体に、規制の変更、リスク、バイアスを監視する連続的なフィードバックループを構築します。全てのアルゴリズムを継続的に監視し、向上させる上で、フィードバックループをガバナンス構造の中に取り込むことが求められます。

医療機関では今後、従業員自身がAIや生成AIを使い始めるか、あるいはAIの出力結果に基づいて判断を下すかのどちらかとなります。よって、データのバイアスを認識し、パフォーマンスを監視する方法を理解できるような研修を検討することが重要です。また、AIや生成AIツールの導入を成功させるには、臨床医と共に進めることが不可欠です。こうした新しいツールが自分たちの今後に与える影響を臨床医が正しく理解できるよう、出力結果の元データやモデルについて、その透明性をスタート時点から確保しなければなりません。

今できること：AI教育全般に関しては、多くの著名な大学が将来の人材を準備するためにAI講座を開設しています。医療従事者は各自AIリテラシーを身に付けるためのトレーニングを受講し、日常業務にAIや生成AIが組み込まれる今後に備える必要があります。

今後注力すべきこと：AIリテラシーの高い医療従事者やAIに関心を持つ医療従事者を対象に、AIアルゴリズムの開発者や保守担当者に協力する具体的な役割を設け、患者の医療体験の継続的向上を図り、医療の最適化を目指します。

医療機関は投資を始めるに当たり、財務的な数字であれ、臨床医や患者の体験であれ、価値の均衡という観点から、その投資に見合った成果を上げたいと考えるでしょう。価値を生むには、どういったAIが臨床的に適用可能なのか、費用対効果が高いのか、そして何よりそれは持続可能なのかといった状況に応じて、最適な種類のAIを適用しなければなりません。おそらく、いずれのユースケースでも、生成AIだけ、あるいは1種類のAIだけを軸にするのではなく、ロボティック・プロセス・オートメーション（RPA）や機械学習、生成AIを組み合わせて、コスト効率や持続可能性の実現を目指すことになります。そこで鍵となるのは、こうした各種ツールを統合する際には、倫理的で有用なアルゴリズムを大規模に生成できるよう、管理が可能な形で統合し、適切な監視機能を持たせることです。

アルゴリズムを大規模に維持するとなると、コストは当然、重要な要素です。アルゴリズムのデータセットやトレンドは時間の経過と共に変化することがあるため、継続的に最適化することが求められます。アルゴリズムの複雑さが増し、規模が大きくなれば、当然、アルゴリズムを管理する運用モデルも大きく変化します。また、企業レベルでは、各種AIアルゴリズムを一貫して監視、保守、追跡、規制する必要があり、それには専門的なスキルやデータインフラに加え、徹底した監視が必要になります。

「けれども、価値は金銭的なものだけではないはずです」とジョンズ・ホプキンス大学医学部のStewart博士は言います。価値は、EHR（電子健康記録）のクリック回数を減らすことで臨床医の満足度を高めることや、世界の健康改善に向けた大きな一歩を踏み出すことなどといった形でもたらされるかもしれません。博士は「高血圧、糖尿病、うっ血性心不全、乳がんのベストプラクティスを全ての人に適用し、これらの疾患に対する医療格差を解消できれば、どれだけ費用がかかったとしても気にしないと思います」と語ります。

今できること：AIを使用することによる、自組織の戦略的目的と目標を定めることです。目標は、コスト削減か、収益成長か、業務効率化か、顧客満足か、イノベーションか、どれが妥当なのでしょうか。まずは、自身の組織の目的に合った、低リスクで実現しやすいユースケースから始めましょう。

今後注力すべきこと：少数のユースケースで自組織のガバナンスを検証し、インフラやスキルが整ったところで、より複雑な、変革をもたらすようなユースケースに取り組みます。導入したユースケースについては継続的に評価し、期待した結果を出しているか、あるいはさらに最適化する必要があるかを判断します。

本稿の作成に当たり、以下の方々の多大な貢献に深く感謝します。

Sezin Palmer, EY Global Health Sector AI Leader

Kayla Horan, EY Global Smart Health Analytics Solution Leader

Crystal Yednak, EY Global Health Senior Analyst

Rachel Dunscombe, CEO, OpenEHR