2026年9月11日（金）の Dose

10本（論文7・リリース3）

論文臨床意思決定支援注目

膠芽腫の再発予測から放射線治療計画を個別化するAI基盤PREDICT-GBMを、243例の多施設データで構築したという論文。

多施設で集めた膠芽腫243例の縦断データを使い、深層学習モデルと生物物理モデルの再発予測性能をガイドライン基準の照射野と比較検証した
深層学習モデル(U-Net)は将来の再発領域の79.37%をカバーし、ガイドライン基準の照射野を統計的に有意に上回った(p=2.9×10⁻⁵)
生物物理モデルGliODILも78.91%のカバー率を示し、プラットフォームとデータ・モデルはGitHubで公開されている

出典：★NPJ Digit Med ／ PREDICT-GBM: A multicenter platform advancing personalized glioblastoma radiotherapy planning.

サトシ

分野は違うけど、モデルとデータを公開して誰でも検証できるようにする姿勢はいいと思う。医療AIの再現性はまだ足りていない。

論文画像診断AI 注目

膵臓の超音波内視鏡検査で病変検出を助けるAIオーバーレイシステムを開発し、8名の内視鏡医によるランダム化クロスオーバー試験で評価したという論文。

6施設のEUS画像で訓練した2つの深層学習モデルを用い、専門医3名・初学者5名の計8名でAI支援の有無を比較する二期クロスオーバー試験を行った
初学者による膵充実性病変の検出感度はAI支援ありで88.7%、なしで76.8%と有意に向上した(p<0.001)
膵実質の認識では感度が数値上向上したが事前規定の優越性基準には届かず(p=0.095)、専門医では感度を維持したまま特異度が上昇した

出典：Dig Endosc ／ Development and Crossover Evaluation of an Artificial Intelligence-Assisted System for Solid Pancreatic Lesion Detection and Pancreatic Parenchyma Recognition in Endoscopic Ultrasonography (With Video).

サトシ

内視鏡の技術差は指導体制に左右されます。AIが初学者の底上げに使えるという結果は納得感があります。

リリース電子カルテ・記録業務注目

在宅医療の診療報酬算定業務を、AIエージェントとルールエンジンで自動化する「AI BPO」を開発したという発表。

ファストドクターとクラウドクリニックが、在宅医療特有の複雑な診療報酬算定に対応するAIエージェント型の業務システムを共同開発した(特許出願中)
AIエージェントが診療記録から算定候補と根拠を生成し、専門スタッフの確認・承認を経て、1カルテあたりの算定作業時間を従来比約75%削減した
クラウドクリニックのサービス利用医療機関は、相場価格の半額水準で算定業務を外注できるとしている(リリースの主張)

出典：ファストドクター株式会社／ファストドクター、AIを活用した医療現場の業務変革を推進　在宅医療の診療報酬算定業務をAI BPO化

サトシ

算定業務の自動化は地味だけど経営インパクトは大きい。75%削減が本当なら在宅医療のBPO市場ごと変わる話だと思う。

リリース電子カルテ・記録業務注目

電子カルテなど院内データとAIエージェントを組み合わせた病院向け基幹システム「Apollo AI」の正式提供を開始したという発表。

東大発スタートアップのAlbatrusが、従来製品「メディラクAI」のアップデート版として病院向け生成AIプラットフォーム「Apollo AI」を発売した
先行導入した三重県の医療法人永井病院(199床)では、退院サマリ作成が30分から2分に、音声文字起こしによるIC記録が15分から3分に短縮したとしている
2026年4月の正式発売以降、国立大学病院を含む10以上の病院で導入が進んでおり、効果試算は同社が公表した数値であることに留意が必要

出典：株式会社Albatrus ／【地方総合病院 × 東大発スタートアップ】院内データ × AIエージェントで病院を変える、AI基幹システム「Apollo AI」を正式提供開始！

サトシ

退院サマリが30分から2分というのは大きい数字です。ただ実証は1病院分なので、他院でも同じ効果が出るかは注目したいところです。

リリース規制・実装・医療政策注目

厚木市消防本部が、音声入力と生成AIで傷病者情報を自動入力する救急情報共有システム「NSER mobile」の本格運用を10月20日から始めるという発表。

救急隊がiPadで収集した傷病者情報を医療機関へリアルタイム共有する仕組みに加え、音声テキスト化と生成AIによる自動入力・マッピング機能を導入する
厚木市の令和7年の救急出動件数は14,978件で過去最多を記録しており、照会時間の短縮と隊員の記載負担軽減を狙うとしている
NSER mobileは全国89地域・人口カバレッジ1200万人以上で運用実績があり、効果は今回の導入で今後検証される

出典：TXP Medical ／厚木市、救急DXを推進―消防本部および市内・連携医療機関にて「NSER mobile」本格運用開始

サトシ

救急DXは地味だけど効く分野。件数が過去最多という背景込みで見ると、自治体側の切実さが伝わってくる。

論文予測モデル・リスク層別注目

側弯症の装具治療の中期効果を、治療前後のX線画像から深層学習で予測するモデルを2施設のデータで外部検証したという論文。

思春期特発性側弯症294例を2施設で解析し、装具前後のX線画像と臨床情報から中期Cobb角を予測する深層学習モデルを開発した
外部検証でのCobb角予測誤差はT curveでMAE 5.13度(R²=0.678)、TL/L curveで3.89度(R²=0.723)だった
予測は装具管理における個別リスク評価と共有意思決定を補助する位置づけで、他施設への一般化可能性は今後の検証課題として残る

出典：★Artif Intell Med ／ AI-based mid-term effectiveness prediction of bracing treatments for adolescent idiopathic scoliosis.

サトシ

整形外科の話ですが、装具治療は患者説明が難しい領域です。数値で見通しを示せるのは外来での説明に役立ちそうです。

論文医療の質・安全注目

三次医療機関の薬剤部門における注射剤調製業務のスマート化・DX化が、作業時間と誤差率に与えた影響を前後比較したという論文。

三次医療機関の薬剤部門で、注射剤調製のスマート化・DX化前後それぞれ3カ月間の業務効率・人員配置・誤差率を比較した
ラベル貼付1件あたりの所要時間は6.19秒から3.08秒に、同量の払い出しに要する時間は103.12分から69.81分に短縮した
ラベル貼付の誤差率は0.072%から0.0084%に低下し、病棟が20増えても払い出し担当の増員は不要だった

出典：Front Pharmacol ／ Impact of smart and digital transformation on pharmacy intravenous admixture services in a tertiary-grade A hospital.

サトシ

薬剤部門の話ですが、誤差率が1桁下がっているのは見逃せません。記録や調製の自動化は診療科を超えて効いてくる領域だと思います。

論文生成AI・LLM 注目

ナイジェリアの医療従事者36名を対象に、ChatGPTの支援ありなしで患者への回答の質がどう変わるかを調べたという論文。

ラゴスの医師・看護師・地域保健従事者36名が、母子保健や家族計画など15の患者質問に自力とChatGPT-3.5支援ありの両方で回答した
1,080件の回答を臨床医4名が5段階評価した結果、正確性・共感性・網羅性などすべての指標でAI支援ありが有意に上回った(p<0.001)
非医療者の評価者も信頼感などの面でAI支援ありの回答を高く評価し、特に地域保健従事者での改善幅が大きかった

出典：J Med Internet Res ／ Evaluating Frontline Health Workers' Responses to Patient Inquiries With and Without Large Language Model Support in Nigeria: Observational Study.

サトシ

うまくいかない報告の方が価値は高いけど、これは逆に全指標で改善という珍しいケース。医療者が薄い地域ほど効くという話は妥当だと思う。

論文予測モデル・リスク層別

退院サマリーの文章から心臓外科手術後30日以内の再入院リスクを予測するAIモデルを、8,275例のデータで開発・検証したという論文。

2014〜2021年の心臓外科患者5,244例の退院サマリーで一般医療LLMを再入院予測用に微調整し、2021〜2024年の3,031例で時系列検証した
AUCは0.71で感度78.6%・特異度50.2%、予測リスク上位群は下位群より再入院時在院日数が長かった(7.1日対3.7日、p<0.001)
モデル精度は2022〜2024年にかけて低下し(AUC 0.78→0.67)、時間経過に応じた再調整の必要性が示された

出典：Ann Thorac Surg Short Rep ／ A Cardiac Surgery-Specific Artificial Intelligence Model to Automate Risk Stratification for 30-day Readmissions Using Discharge Summaries.

サトシ

退院サマリーから自動でリスクを拾えるのは魅力ですが、数年で精度が落ちるなら再学習の体制とセットで考えたいところです。

論文生成AI・LLM

肺がんの臨床シナリオ9例に対するChatGPT・DeepSeek・Grokの回答を、専門医5名が盲検で評価し比較したという論文。

肺がん診療の5領域からシナリオ9例を作成し、3つのLLMの回答を匿名化・ランダム化したうえで肺がん専門医5名が5段階で採点する二重盲検評価を行った
評価者間の一致度は中程度(Fleissのκ=0.463)で、3モデル間の総合スコアに統計的な有意差はなかった(p>0.05)
症例数が9例と少なく探索的な位置づけで、領域ごとにはGrokが診断・治療判断で、DeepSeekが予後・リハで相対的に高い傾向が見られた

出典：Digit Health ／ Exploratory task-specific evaluation of large language models in lung cancer clinical scenarios: A comparative study.

サトシ

3つのモデルに有意差が無かったのは示唆的だ。症例9例では結論は出せないけど、モデル選びより運用設計の方が効くという話に近い。