人工知能ベースのインシデント解析・学習システムによる患者安全性の強化と治療品質の向上

なぜより賢いインシデントレビューが患者に重要なのか

安全ながん治療の背後には、目に見えない確認と二重確認、そしてヒヤリハットから学ぶ文化があります。放射線治療は非常に精密ですが、その複雑でチームに依存したワークフローは、小さなミスが拡大して重大な問題につながる余地を残します。病院では既に何千件ものニアミスや小さな不具合の報告が集められていますが、これらを手作業で精査するのは遅く、一貫性がありません。本稿は、専門家がインシデント報告を迅速に分析し、問題が発生する仕組みと原因に潜むパターンを明らかにし、その知見を安全な医療に役立てるための新しい人工知能ベースのシステムについて述べます。

人の記述からシステムの学びへ

放射線治療の現場で混乱を招く指示や遅延、ニアミスなど異常が起きると、臨床スタッフはそれを自分の言葉で記述したナラティブ報告を提出します。従来は品質・安全チームが各報告を読み、何が起きたかを判断し、HFACSと呼ばれるヒューマンファクターフレームワークに当てはめて、前線のうっかりミスからより深い組織的要因まで寄与原因を分類してきました。この方法は有力ですが時間を要します。特に何千件ものインシデントが記録される忙しいがんセンターでは、患者に実害を与えない事例でも重要な教訓を含むことが多い。新しい人工知能ベースのインシデント解析・学習システム（AI‑ILS）は、専門家の監督を保ちつつ分類作業の多くを自動化してこれらのチームを支援することを目指しています。

インシデントの言語を整え、明確にする

アルゴリズムがインシデント記述を理解するためには、テキストが共有しても安全であり、意味が明確である必要があります。AI‑ILSはまず個人を特定しうる情報（氏名、日付、記録番号など）を、医療文章内の機微な情報を認識するよう訓練された言語モデルで除去します。次に医療上の省略表現やローカルな業界用語をより明確な語句に展開し、「DIBH」などの頭字語や職種固有の略語が正しく解釈されるようにします。この二段階の前処理により報告は匿名化され、コアモデルが理解しやすくなる一方で、ナラティブの元の構造や意図は維持され、何が問題だったのかを正確に判断するうえで重要な情報が保たれます。

原因の深層を見抜くAIを教える

システムの中核には、1,548件の精緻に作成された模擬インシデント報告でファインチューニングされた大規模言語モデルがあります。物理学者、看護師、療法士、ドージメトリスト、医師を含む学際的チームが、HFACSの4つの階層（危険な行為、前提条件（人員配置や環境など）、監督、より広範な組織的影響）にわたる幅広い問題を網羅するためにこれらの例を作成しました。モデルはそれぞれの階層ごとに並列の4つの枝で訓練され、「該当なし」の選択肢も加えて、すべての事例を無理に当てはめないようにしています。ファインチューニング後、標準的な精度や相関の指標で測った正誤判別能力は、ほぼ偶然水準から専門家の判断と強い合意を示すレベルへと大幅に向上しました。

実臨床でシステムを試す

研究者らは次にAI‑ILSを、大規模ながんセンターの内部安全データベースにある350件の実際のインシデント報告に適用しました。その分類を経験豊富な医療物理学者の判定と比較したところ、厳密な一致率は約79％、境界事例を「おそらく妥当」と評価した場合の一致はほぼ88％でした。システムは人間よりもはるかに速く動作しました：1件のインシデントを完全に処理・分類するのに約5秒で済むのに対し、レビュアーは1件あたり約2分30秒を要しました。簡易なチャット風インターフェースにより、臨床者はAIが報告をどのように解釈したかを確認し、フォローアップの質問を行い、特定の原因が提示された理由を理解できるため、このツールはブラックボックスではなく協働するパートナーになります。

より安全な医療に向けての意義

本研究は、慎重に調整されたAIシステムが大量の安全報告を解釈するうえで専門家を信頼性高く支援し、より深い調査と対策に充てる時間を生み出せることを示唆しています。AI‑ILSは人間の判断を置き換えるのではなく、前線のミス、作業環境、監督、組織的慣行にわたるインシデントのパターンを整理・標準化します。より広範な導入と大規模な多施設データセットが得られれば、同様のツールは病院が起こった後に対処する反応型から、ケアの提供方法をデータ駆動で事前に改善する方策へと移行する手助けとなり、予防可能な被害を静かに減らし、放射線治療のような複雑な治療をどこでも患者にとってより安全なものにできる可能性があります。

引用: Jinia, A.J., Chapman, K., Liu, S. et al. Artificial intelligence-based incident analysis and learning system to enhance patient safety and improve treatment quality. npj Digit. Med. 9, 254 (2026). https://doi.org/10.1038/s41746-026-02390-2

キーワード: 患者安全, 放射線治療, インシデント報告, 人工知能, ヒューマンファクター