ヘルスケア
Scale AI、病院運営向けに5つのAIエージェントを発表

要点Scaleのベンチマークは、正しい回答が欠陥のある推論と過信したシステムを隠し得ることを示している。
もっと見る
- Scaleのベンチマークは、正しい回答が欠陥のある推論と過信したシステムを隠し得ることを示している。
- テストされたすべてのエージェント型システムは、記録が案件を解決できない場合に判断を保留するのではなく、一貫して棄権を控えた。
- 情報源へのリンクと臨床医の承認は、プロセスの失敗を人間のレビューに明らかにするための仕組みである。
Scale AIは2026年11月16日、Scaleの病院運営向けサービスを発表した。同日から医療システムへの提供を開始し、予約調整、オーダー案内、医療記録の確認、安全性に関する調査、診療文書の作成を支援する5つのAIアプリケーションを投入した。
各アプリケーションは、医療システムが自らの環境内で運用するあらゆるモデル上で実行できる。また、導入時にはScaleのエンジニアと臨床分野の専門家が参加する。Scaleは、病院向けAIに必要な条件として、臨床医による評価、データのローカル保存、ユーザーとともに進める開発を挙げている。
Scaleはまた、発表に先立つ1年間、病院内で業務に取り組み、安全性に関する事象を臨床医がより早く特定できるよう支援することを目指していたと述べた。その取り組みには、米国の医療システムも含まれていたが、Scaleは同システムを全米有数と説明したものの、名称は明らかにしていない。今回の5つのアプリケーションは、より広範な製品群の第1弾であり、発表後数カ月以内に追加のアプリケーションやエージェントを投入する予定だ。
5つの業務フローにおける人間の確認
Scheduling Intelligence Agentは、臨床上の緊急度に基づいて紹介患者を振り分け、部屋や機器の要件、医師の希望を考慮して診療枠を割り当てるよう設計されている。緊急性の高い患者に対応するため、既存の予約スケジュールを組み替えたり、複数の診療科にまたがる受診を調整したりできる。Order Guidance Agentは患者の病歴を確認して不足している検査を特定し、臨床医が確認できるよう、根拠を引用しながら検査室での検査、画像検査、処方を推奨する。
多くの情報を扱う業務では、Medical Record Review & Summarization Agentが、分散した記録から患者の病歴をまとめ、抽出した所見それぞれに確認用の出典を紐付ける。Safety & Incident Investigation Agentは、安全性に関する事象の優先順位を付け、繰り返し見られるパターンを検索する。これにより、チームは報告を到着順に処理するのではなく、リスクの高い事象から先に調査できる。Clinical Documentation & Quality Review Agentは、臨床医による確認と承認に向けて報告書の草案を作成し、文書が病院のガイドラインに沿っているかを確認するとともに、監査担当者に所見ごとの確認を求める。
Scaleの医療分野における評価研究
今回の発表では、製品群をScale Labsの医療分野向けベンチマーク3件と関連付けている。CliniCARE-Benchは、実際の個人識別情報を削除した縦断的な電子カルテを使用し、臨床医が妥当性を確認した25のシナリオを、14の専門分野と10種類の推論スキルにわたる750件のケースに適用する。このベンチマークでは、データが不足しているケースと医学的に判断が難しいケースを区別し、情報検索と引用を記録する。さらに、根拠の裏付け、方針の遵守、プロセスの順守、適切に調整された回答保留を評価する。ここでいう適切な回答保留とは、記録から確定的な回答を導けない場合に判断を差し控えることを指す。
Scale Labsによると、テストした16のエージェント型システムの素の正解率は65.3%から76.1%だったが、禁止された推論上の近道にペナルティを課すと、欠陥のない正解率は4.8~14.8パーセントポイント低下した。すべてのシステムで回答保留が不十分であり、記録から判断できないケースでも、回答を差し控えるより確定的な回答を出す傾向が強かった。これらはテスト対象システムのベンチマーク結果であり、病院向けアプリケーション5製品の検証結果として報告されたものではない。
関連する2つのベンチマークも、この評価手法を発展させている。PSEBenchは、ミネソタ州の報告対象となる有害医療事象29項目を基に構成した、患者安全に関するトリアージのケース5,074件で構成される。各項目には、情報がそろっているケース、情報が不足しているケース、不確実なケースが含まれ、15の言語モデルの評価に用いられた。DistressBenchは、自殺および自傷に関する23の下位分類を網羅した、臨床医が作成した会話718件で構成される。Scale Labsによると、モデルが危機的状況を完全に認識した会話の35.3%で、それでもユーザーを人間の支援につなげなかった。
Scaleによると、こうした研究を基盤として、各医療システムの業務フローに合わせた個別評価を構築すると同時に、モデルを共通の方法で比較できるようにしている。曖昧さとプロセスを重視するこの姿勢は、オーダー案内、記録の確認、報告書の承認、監査所見に関して説明されている確認体制にも通じる。
文書化を裏付けるエビデンスとその限界
Scaleが引用した2025年のJAMA Network Open掲載研究では、米国の6つの医療システムに所属する外来診療の臨床医263人を対象に、同じAbridgeのアンビエントAIスクライブを30日間使用した場合を調べた。この研究ではScaleの製品は評価していない。調整後の分析では、推定燃え尽き症候群の有病率が51.9%から38.8%に低下した。参加者はそのほか、診療記録に関連する認知的負荷、時間外の記録作成、患者への集中度にも改善が見られたと報告した。
この結果は、AI文書作成ツールが事務負担を軽減するという考えを裏付けている。ただし対象となったのは、別の製品を用いた外来診療であり、新たな病院運営向け製品群ではない。研究者は重要な留意点として、参加が任意だったこと、アンケートが匿名ではなかったこと、結果が自己申告だったこと、経時的な傾向を考慮するための対照群がなかったことを挙げている。こうした制約により、30日間の導入前後の結果から明らかにできることには限りがある。特にScaleが事務負担の軽減という主張を、外来診療の文書作成から予約調整、オーダー、安全性に関するトリアージへと広げている点には注意が必要だ。
医療システムにとって、今回の発表をめぐる中心的な問いは、自らの業務フローに沿って設計された評価によって、回答の正確さだけでなく、根拠情報の検索、方針の遵守、適切な対応保留も検証できるかどうかだ。Scaleのベンチマークは、正しい回答でもプロセスに欠陥が隠れている場合があることを示している。新しいアプリケーションに備わる情報源へのリンク、出典を明記した推奨事項、臨床医による承認、監査担当者による確認は、そうした問題を人間のレビューに委ねるための仕組みとして意図されている。












