医療を救うのはスマホでもAIでもない。現場の「翻訳」を設計する力だ

医療の未来を止めるのは、仕事の量だけではない

医師の働き方改革について考えるとき、私たちはまず「業務を減らす」ことを思い浮かべる。ところが、医療現場で起きている問題の一部は、仕事量そのものよりも、必要な情報が必要な人に、必要なタイミングで届かないことから生まれている。

病棟にいる医師が、患者の変化を知るために何度も電話をかける。看護師が緊急の連絡をするため、相手の居場所を探す。診療の判断に必要な情報が、紙、電話、口頭伝達、複数のシステムに分散している。そのたびに医療者は、本来なら患者の観察や判断に使うはずの注意力を、情報探索と調整に使うことになる。

この状況に対して、業務用スマートフォンは一見すると単純な道具に見える。しかし本質は、端末を配ることではない。医療者の時間を奪っていた「つなぐ仕事」を、より安全で速い形に組み替えることにある。

一方、生成AIが日本の医師国家試験に挑戦した結果は、別の角度から同じ問題を照らし出す。高性能なモデルであっても、日本固有の医療制度やガイドライン、数学的な計算、そして医学知識の不足によって誤答する。日本語の問題を英語に翻訳すると得点率が上がるという現象も報告されている。

ここには奇妙な共通点がある。スマートフォンは医療者同士の情報伝達を改善し、生成AIは膨大な情報を処理する。しかし両者とも、情報があるだけでは役に立たない。現場の制度、文脈、責任、タイミングに合わせて翻訳されて初めて、情報は医療の力になる。

医療の持続可能性を決めるのは、技術の賢さではない。技術を現場の文脈へ正確に翻訳する設計の質である。

「便利な道具」が医療を変えるまでに必要な三つの翻訳

医療に新しい技術を導入するとき、多くの場合、議論は機能から始まる。スマートフォンなら、連絡が取れる、写真を共有できる、記録を確認できる。生成AIなら、質問に答えられる、要約できる、知識を検索できる。しかし、機能は導入の入口にすぎない。

実際に価値を生むには、少なくとも三つの翻訳が必要になる。

1. 情報を、行動に翻訳する

夜間に患者の状態が変化したとする。情報が届くこと自体は目的ではない。誰が確認し、どの程度の緊急性として受け止め、誰に相談し、どの時点で診察へ移るのかが重要になる。

業務用スマートフォンが有効なのは、単に電話を携帯できるからではない。連絡先や担当者の所在が明確になり、短いメッセージや画像を安全に共有でき、判断のための情報が一つの流れに集まりやすくなるからだ。つまり、端末は通信手段ではなく、観察から判断、判断から行動へ移る経路の再設計に使われている。

ここで大切なのは、通知を増やせばよいわけではないということだ。通知が多すぎれば、医療者は重要な情報を見落とす。緊急性の基準が曖昧なら、全員が念のために連絡し、別の形の負担が生まれる。

良い設計は、「連絡できる状態」を作るだけでなく、「どの連絡が、どの行動を要求するのか」を定義する。これはチャット導入ではなく、判断のプロトコルを見える化する作業である。

2. 一般知を、地域の実務に翻訳する

生成AIは広い医学知識を扱える一方で、特定の国の制度やガイドラインに弱さを見せることがある。日本の医師国家試験で、医学知識だけでなく、日本特有の制度やガイドラインの情報が誤答の原因になったことは象徴的だ。

医学には国境を越えて共有できる原理がある。たとえば、ある症状の鑑別や薬理作用の基本は、言語が変わっても大きくは変わらない。しかし、保険制度、届出の手順、推奨される検査、地域の標準治療、法的な責任の所在は、国や地域によって異なる。

これはAIだけの問題ではない。外国の診療フローをそのまま日本の病院に持ち込んでも機能しないし、他院でうまくいった連絡ルールが自院で有効とは限らない。普遍的な知識と、局所的な制度を接続する翻訳層が必要になる。

日本語の問題を英語に変換するとAIの得点が上がったという現象も、単純に英語が優れているという意味ではない。学習データの量、表現の曖昧さ、質問の構造化のしやすさなど、複数の要因が関係しているだろう。重要なのは、入力の形式が変わることで、モデルが持つ能力の現れ方まで変わるという点だ。

人間の医療者にも同じことが起こる。口頭で曖昧に伝えられた情報には、経験豊富な医師でも対応しにくい。患者の変化を時刻、数値、症状、経過、懸念点に分けて伝えれば、意思決定は速くなる。技術はこの翻訳を補助できるが、翻訳の基準を決めるのは現場である。

3. 正しさを、責任ある判断に翻訳する

AIが試験で合格水準に達しても、それだけで診療を任せられるわけではない。試験問題への回答と、目の前の患者への責任ある判断は異なるからだ。前者は正解を選ぶ能力を測るが、後者には不確実性の管理、患者の希望、チーム内の相談、説明と同意が含まれる。

同じことはスマートフォンにも言える。安全な端末を導入しても、誰がどの情報を閲覧できるのか、誤送信時にどう対応するのか、勤務時間外の連絡をどう扱うのかが決まっていなければ、便利さは新しいリスクになる。

だから、技術導入における「正しさ」は、誤りがないことだけでは足りない。誤りが起きたときに発見でき、修正でき、責任の所在を追跡できることまで含めて正しさと考える必要がある。

持続可能性とは、献身を効率化することではない

医療は長い間、医師や看護師の献身によって支えられてきた。急な呼び出しに応じ、休日にも連絡を受け、記録や調整を勤務時間外に持ち帰る。その努力が患者を救ってきたことは事実だ。

しかし、個人の献身を前提にした仕組みは、失敗するときに突然崩れる。疲労による見落とし、伝達漏れ、判断の遅れ、離職、採用難が連鎖するからだ。しかも、献身的な人がいる間は問題が表面化しにくい。組織は「何とか回っている」と誤認する。

ここで注意すべきなのは、効率化を単に人員削減の道具にしないことだ。スマートフォンで連絡が速くなったからといって、担当者の受け持ちを増やせば、節約された時間は別の負担で消える。AIが文書作成を短縮しても、その分だけ新しい書類を要求すれば、改革は帳消しになる。

持続可能性は、個々の作業を速くすることではない。人間の注意力を、機械が代替しにくい判断へ戻すことである。

この視点から見ると、医療技術の評価軸も変わる。導入後に何分短縮できたかだけでなく、次のような問いを置くべきだ。

1. 医療者が探し回る時間は減ったか
2. 重要な情報の見落としは減ったか
3. 判断が必要な場面で、適切な人に相談できるか
4. 例外や誤りを記録し、改善できるか
5. 便利になった結果、誰かに新しい見えない負担を押しつけていないか

この最後の問いは特に重要である。システムの設計者は、通知を送る側の便利さを測りがちだ。しかし受け取る側には、注意を中断されるコストがある。情報を共有する側の効率は、情報を処理する側の疲労として現れるかもしれない。

AIとスマートフォンを同じ設計問題として考える

一見すると、業務用スマートフォンと生成AIはまったく異なる技術である。前者は人と人をつなぎ、後者は人と知識をつなぐ。しかし、医療現場での失敗を分析すると、どちらも同じ三層構造を持つ。

第一層は、接続である。必要な人、情報、知識にアクセスできるか。第二層は、文脈化である。その情報が、この患者、この制度、この時点で何を意味するか。第三層は、検証である。その情報を使って行動してよいか、誰が確認し、どのように訂正するか。

多くの導入失敗は、第一層だけを改善して終わる。スマートフォンを配り、AIを導入し、アクセスは速くなる。しかし文脈化と検証が整っていないため、情報の量だけが増え、現場はさらに忙しくなる。

たとえば、AIに患者の症状を入力して鑑別疾患を列挙させる場合を考えよう。役立つ可能性はあるが、入力情報が不完全なら、出力も不完全になる。日本のガイドラインに基づく判断が必要なら、一般的な医学知識だけでは足りない。さらに、出力を誰がどの根拠で確認したかが残らなければ、後から検証できない。

業務用スマートフォンでも同じである。患者情報を安全に送れることは出発点であって、連絡の緊急度、既読の確認、記録への反映、勤務時間外の扱いまで設計されて初めて業務改善になる。

この三層を、医療技術の「実装成熟度」と呼んでみよう。

実装成熟度の三段階

第一段階は接続型である。電話、チャット、検索、生成AIによって、情報へ到達する時間を短くする。導入効果は見えやすいが、通知過多や誤情報という副作用も起きやすい。

第二段階は文脈型である。病院のルール、地域の制度、患者の状態、職種ごとの権限を情報に組み込む。ここでは標準化された入力欄、院内ガイドライン、役割別の表示が重要になる。

第三段階は学習型である。誤送信、見落とし、不要な通知、AIの誤答を記録し、仕組みを継続的に改善する。導入して終わりではなく、現場の経験を次の設計へ戻す段階だ。

このモデルの利点は、技術の新しさではなく、運用の成熟度を評価できることにある。高価なAIを導入しても接続型にとどまる組織はある。一方、比較的単純なスマートフォン運用でも、文脈化と検証が優れていれば、医療者の負担を大きく減らせる。

明日からできる、技術導入の設計原則

医療機関に限らず、情報を扱う組織がこの考え方を実践するには、技術を買う前に翻訳の仕組みを設計する必要がある。大規模な改革でなくても、次の手順から始められる。

Key Takeaways

1. まず「何が遅いのか」ではなく、「どこで情報が翻訳されていないのか」を記録する

   電話が多い、記録に時間がかかる、といった症状の背後を調べる。担当者が不明なのか、緊急度の基準がないのか、同じ情報を複数回入力しているのかを分解する。

2. 導入する技術に、必ず行動ルールを一つ組み合わせる

   チャットを導入するなら、緊急度ごとの連絡方法と返信期限を決める。AIを使うなら、利用してよい業務、入力してはいけない情報、最終確認者を明文化する。

3. 普遍的な知識と、自組織固有の知識を分けて管理する

   一般的な医学情報や業務知識だけでなく、院内手順、地域の制度、最新のガイドラインを更新可能な形で整理する。AIに任せる範囲と、人間が確認する範囲も分ける。

4. 効率化の効果を、時間だけで評価しない

   短縮時間に加え、通知の数、確認漏れ、再連絡の回数、勤務時間外の負担、誤りの発見まで測る。誰の負担が減り、誰に移ったのかを必ず確認する。

5. 失敗を個人の注意力ではなく、仕組みの学習材料として扱う

   誤送信やAIの誤答を責めるだけでは、同じ問題が繰り返される。どの情報が不足していたのか、どの表示が誤解を招いたのか、どの確認手順が機能しなかったのかを記録する。

医療の未来は、より賢い機械ではなく、より良い境界線から始まる

医療が変わらなければ、未来はない。だが、変化とは最新の端末や最大のモデルを導入することではない。人間が担うべき判断と、機械が補助できる処理の境界線を、現場に合わせて引き直すことだ。

スマートフォンは、医療者が互いに見つけやすくなるための道具になりうる。生成AIは、知識へ到達し、情報を整理するための道具になりうる。しかし、両者とも現場の文脈を自動的に理解し、責任を引き受け、誤りを訂正してくれるわけではない。

だから導入の核心は、「この技術は何ができるか」ではなく、「この技術によって、誰のどんな判断が、どのように良くなるか」と問うことにある。

医療を救う技術とは、仕事を人間から奪う技術ではない。人間が本当に人間にしかできない仕事へ戻れるよう、情報の流れを整える技術である。

将来、AIの知識量が増え、通信がさらに速くなっても、この原則は変わらない。医療の持続可能性をつくるのは、機械の能力の総量ではない。正しい情報を、正しい文脈で、正しい人が、正しい責任のもとで使えるようにする設計である。そこにこそ、スマートフォンとAIを別々の流行ではなく、同じ改革の一部として理解するための鍵がある。