はじめに：医療DXにおける「倫理」と「技術」のジレンマ
「AIを使えば業務が劇的に楽になるのは分かっている。でも、患者様の命に関わるデータを、どこの誰が管理しているかも分からないクラウドに上げるわけにはいかない」
これは、医療機関の経営層やシステム担当者が直面する切実な課題です。2024年4月から医師の時間外労働規制（働き方改革関連法）が適用され、現場の業務効率化は待ったなしの状況です。しかし、医療機関には一般企業以上に厳格な法的・倫理的責任が課せられています。
個人情報保護法はもちろんのこと、厚生労働省・総務省・経済産業省による「3省2ガイドライン（医療情報システムに関連する安全管理ガイドライン群）」への準拠は必須です。この「業務効率化の必要性」と「データ保護の絶対性」という板挟みの中で、多くの医療DXプロジェクトが検討段階で頓挫してきました。
本記事では、このジレンマに正面から向き合い、「データを一歩も外に出さない」という条件の下で最新のAI導入に成功した地域中核病院の事例をモデルケースとして取り上げます。そこで採用されたのは、海外製の巨大なAIモデルではなく、NTTが開発した国産の軽量LLM（大規模言語モデル）「tsuzumi」を院内サーバーで動かすという、オンプレミス運用のアプローチでした。
本記事では、技術的なスペック比較だけでなく、組織としてどのようにリスクを評価し、倫理的な合意形成を行い、現場が安心して使える環境を構築したのか、その「意思決定とガバナンス」のプロセスに焦点を当てて解説します。これは単なる技術導入の話ではありません。医療という聖域において、いかにして信頼（Trust）を担保しながら革新（Innovation）を受け入れるかという、組織変革のプロセスです。
1. プロジェクト背景：医療DXの理想と「データ持ち出し禁止」の現実
地域中核病院が抱えていた医師の過重労働問題
病床数400床規模で救急医療も担うような地域の中核的な医療機関では、医師の長時間労働が深刻化しています。特に若手医師や当直明けの医師にとって、診療記録の整理、退院サマリ（診療情報提供書）の作成、紹介状の返信といった事務作業は大きな負担となっています。
「診察や手術そのものよりも、その後の書類作成に時間がかかり、家に帰れない」
現場からの切実な声を受け、多くの医療機関でAIによる事務作業支援の検討が開始されています。事前の試算では、生成AIを活用してこれらの文書作成を半自動化できれば、医師一人当たり月間20時間以上の業務削減が可能であると見込まれるケースもあります。
従来のクラウド型AI導入を阻んだ「3省2ガイドライン」の壁
しかし、情報システム部が主導して海外製の著名な生成AIサービスの導入を検討し始めた矢先、壁にぶつかることが少なくありません。それが「医療情報システムの安全管理に関するガイドライン（厚生労働省）」への対応と、院内のセキュリティポリシーとの衝突です。
多くの医療機関の規定では、患者IDや病名、検査値などの機微な個人情報を含むデータを、インターネット経由で外部のクラウドサーバーに送信することは原則禁止されています。たとえ契約上「学習データには利用しない」と明記されているサービスであっても、サーバーが海外にあり、準拠法やデータ主権が不明確な場合、病院としてリスクを許容することは困難です。
「万が一、情報漏洩が起きた場合、誰が責任を取るのか。海外ベンダーに賠償請求できるのか」
コンプライアンス担当部門からのこの問いに対し、明確な回答を用意することは容易ではありません。匿名加工情報（特定の個人を識別できないように加工した情報）にすれば送信可能という議論もありますが、退院サマリのような自由記述の文章から、個人を特定しうる要素を完全に、かつ自動的に削除することは技術的に非常に難易度が高いのが実情です。
院内セキュリティポリシーとの衝突
結果として、「インターネットに接続必須のクラウド型AI」は、セキュリティ要件の厳しい医療機関の選択肢から外れざるを得ないケースが多く見られます。しかし、業務効率化のニーズは消えません。
「インターネットに出さず、院内の閉じたネットワークの中だけで動く、賢いAIはないのか？」
この切実な要望こそが、システム要件定義の方向性を決定づけることになります。そこで有力な選択肢となるのが、NTTが2023年11月に発表し、2024年3月から商用提供を開始した「tsuzumi」です。パラメータ数を抑えることで軽量化を実現し、ローカル環境（オンプレミス）でも動作可能という特徴が、まさに医療現場のニーズと合致しています。
2. 選定プロセス：なぜ巨大LLMではなく「tsuzumi」だったのか
比較検討した3つの選択肢（海外パブリッククラウド、専用線接続、オンプレミス）
医療機関のように極めて高い機密性が求められる組織において、生成AIの導入を検討する際は、主に以下の3つのアプローチが比較対象となります。
- 海外パブリッククラウド型AI（API利用）
- メリット: 圧倒的な性能を持ち、導入の初期コストを低く抑えられます。
- デメリット: データを外部のサーバーに送信する必要があるため、セキュリティリスクが高まります。また、GDPR（EU一般データ保護規則）やAPPI（個人情報保護法）などへのコンプライアンス対応コストが甚大になります。
- 専用線接続によるプライベートクラウド型AI
- メリット: 公衆インターネットを経由しないため、比較的高い安全性を確保できます。
- デメリット: 通信コストが高額になりがちです。さらに、データ自体は外部（事業者のデータセンター）に存在するため、組織内で完全なデータ主権（Data Sovereignty）を確保することが困難です。
- オンプレミス型AI（tsuzumi採用案）
- メリット: データが院内のネットワークから一歩も外に出ません。既存のセキュリティポリシーをそのまま適用でき、通信遅延も最小限に抑えられます。
- デメリット: サーバー購入等の初期投資が必要です。また、汎用的な知識の広さという点では、クラウド上で稼働する巨大なモデルに劣る可能性があります。
軽量LLMが医療現場にもたらす「コスト」と「運用」のメリット
医療現場において真に必要とされているのは、あらゆる問いに答える「万能な神のようなAI」ではありません。専門用語を正確に理解し、定型業務をミスなくこなす「信頼できる助手」です。
近年のクラウド型AIは急速な進化を遂げています。例えばOpenAI APIの動向を見ると、GPT-4oなどのレガシーモデルから、より高度な文脈理解や推論能力を備えた新モデルへと移行が進んでいます。こうした巨大LLMは詩作から複雑なコーディングまで多才な能力を発揮しますが、その分だけ膨大な計算リソースを消費します。さらに、クラウドサービス特有の課題として、プロバイダー側の都合による旧モデルの突然の廃止や仕様変更リスクが常に付きまといます。これは、安定したシステム稼働が人命に直結する医療機関にとって、看過できない運用上の懸念材料となります。
一方、医療現場で求められるのは、電子カルテの記録を要約し、医療用語を文脈に沿って正確に扱う能力に特化した実用性です。NTTの「tsuzumi」のような軽量モデルは、パラメータ数が約70億（7B）と、数千億から兆単位に及ぶ巨大モデルに比べて非常にコンパクトに設計されています。
この軽量設計により、大規模なスーパーコンピュータ環境を用意する必要がありません。最新の主力であるNVIDIA H100やH200はもちろんのこと、成熟した選択肢として広く普及している既存のA100搭載機、あるいはL40Sといった一般的なGPUサーバー1台でも十分に動作可能です。
数億円規模のインフラ投資を回避しつつ、ランニングコスト（電気代やAPI利用料）を抑え、かつ機密性を完全に自組織でコントロールできる点は、持続可能で合理的なAI運用の観点から、経営判断における決定的な要素となります。
日本語処理能力と医療用語への適応性評価
もう一つの重要な選定基準は「日本語能力」です。医療記録は、独特な言い回しや略語、日本語と英語（ドイツ語由来の医学用語も含む）が複雑に混在するテキストデータです。
tsuzumiは日本語の学習データ比率が極めて高く、NTTグループが長年蓄積してきた高度な日本語処理技術が投入されています。一般的な概念実証（PoC）の事例では、海外製のモデルが日本の医療制度や文化に即さない表現、あるいは不自然な翻訳調の出力を生成するケースが珍しくありません。対照的に、tsuzumiは自然な日本語で、かつ医療現場の複雑な文脈を的確に汲み取った要約を行う傾向が見られます。
AIの出力が「現場の言葉を正しく理解している」という信頼感は、単なる利便性の問題にとどまりません。医療従事者がAIの推論プロセスを直感的に解釈し、最終的な判断の妥当性を検証しやすくなるという点で、実務における運用定着に直結します。この信頼感こそが、AIシステムが実際の医療業務フローに安全かつ継続的に組み込まれるかどうかを左右する、極めて重要な要素となります。
3. 導入の障壁と突破口：院内倫理委員会とセキュリティ監査
「AIの回答根拠（ハルシネーション）」への懸念対応
技術選定が進んだ段階で、多くのプロジェクトが直面するのが院内倫理委員会での承認プロセスです。最大の懸念事項は、生成AI特有の「ハルシネーション（もっともらしい嘘）」による誤診や医療過誤のリスクにあります。
このリスクを最小化し、倫理的な承認を得るためには、以下の3つのガバナンスルールを策定し、システムに組み込むことが重要です。
- AIは「診断」を行わない: AIの役割は「要約」「下書き作成」「情報整理」といった支援業務に限定し、最終的な判断と責任は医師が持つことをガイドラインで明文化します。
- 参照元の明示（Grounding）の高度化: AIが回答を生成する際、その根拠となった電子カルテ内の記述や医学文献を明確に提示する機能を実装します。最新のトレンドでは、単なるキーワード検索だけでなく、文脈を理解するベクトル検索を組み合わせたハイブリッド検索や、情報の関連性を構造的に把握するGraphRAGといった技術アプローチが有効です。これにより、AIがどの情報を元に回答したかが追跡可能（トレーサブル）になり、医療従事者の信頼性評価を支援します。
- 人間による監視（Human-in-the-loop）: AIが生成した文章をそのまま保存することをシステム的に制限し、医師による確認・修正プロセスをUI上で強制する設計が推奨されます。
これにより、「AI任せ」になることを防ぎ、あくまで医師の専門性を補完するツールであることを徹底します。
完全閉域ネットワーク環境の構築設計
セキュリティ監査においては、物理的なネットワーク構成の透明性が鍵となります。一般的な医療機関の電子カルテシステム（HIS）は、インターネットから遮断された閉域網で運用されています。
tsuzumiのような軽量かつオンプレミス動作可能なモデルを採用する利点は、このHIS系ネットワーク内に推論用サーバーを直接設置できる点にあります。外部との通信回線を物理的に持たない構成にすることで、ハッキングによる侵入や意図しないデータ流出のリスクを構造的に排除できます。
「物理的に外部ネットワークと遮断されている」という事実は、高度な暗号化技術の説明以上に、セキュリティを重視する院内関係者への強力な説得材料となります。
学習データの匿名化・仮名化プロセスの確立
モデルを医療現場のニーズに合わせて最適化（ファインチューニング）する際も、データプライバシーへの配慮が不可欠です。院内の過去データを学習リソースとして活用する場合、特定の患者が識別されないよう、氏名、住所、電話番号などを自動的にマスキングする前処理パイプラインの構築が求められます。
さらに、学習に使用するデータセットについては、倫理委員会や監査担当者によるサンプリングチェックを実施し、再識別リスクがないことを確認する厳格なプロセスを設けることが、適切なデータ活用の大前提となります。
4. 実装とチューニング：電子カルテ連携と専門用語の学習
院内サーバーへのデプロイメント体制
実際の導入フェーズでは、SIベンダーと院内SEが協力し、オンプレミスサーバーへの構築を行います。ここでtsuzumiの「アダプタ技術（LoRA等のパラメータ効率的な学習手法）」が役立ちます。これは、ベースとなるモデル全体を再学習させるのではなく、特定のタスクや知識に対応した差分モジュール（アダプタ）を付け替える技術です。
これにより、「循環器内科用のアダプタ」「消化器外科用のアダプタ」といったように、診療科ごとの微調整を低コストかつ迅速に行う基盤が整います。ベースモデルを丸ごとコピーする必要がないため、ストレージ容量の節約にもつながります。
過去の匿名化症例データを用いた追加学習（ファインチューニング）
初期状態のtsuzumiでも日本語能力は高いですが、各医療機関独自の略語（例えば、特定の病院特有のカルテ記載ルールなど）までは理解していません。そこで、過去の退院サマリ（匿名化済み）を学習させるアプローチが有効です。
例えば、「DM」という単語。一般的にはダイレクトメールですが、医療現場では糖尿病（Diabetes Mellitus）を指します。また「Ent（エント）」は退院（Entlassen：ドイツ語由来）を意味することがあります。文脈によってこれらを正しく解釈し、「糖尿病のコントロール状況は良好で退院となった」と文章化できるようにチューニングを行います。
医師によるフィードバックループの構築
システム稼働後も、精度向上は続きます。医師がAIの作成したサマリを修正した際、その修正履歴（Diff）をログとして蓄積する仕組みを作ることが推奨されます。
「AIはこの表現を間違えやすい」「医師はこの言い回しを好む」
これらのデータを定期的に分析し、モデルの再学習に反映させることで、使えば使うほどその医療機関の業務フローに馴染むAIへと進化させることが可能です。これは、データが外部に出ないオンプレミス環境だからこそ、安心して蓄積できる資産です。
5. 導入効果と医師の声：セキュリティへの安心感が利用率を高める
退院サマリ作成時間の40%削減
適切な導入が行われた事例では、半年後の効果測定で劇的な結果が報告されています。これまで一件あたり平均20分かかっていた退院サマリの作成時間が、AIによる下書き生成と医師による確認・修正を含めても平均12分に短縮されたケースがあります。約40%の効率化です。
月間に換算すると、病院全体で数百時間分の医師のリソースが新たに生まれたことになります。この時間は、患者への説明や、若手医師の教育、そして医師自身の休息に充てることが可能になります。
「データが外に出ない」ことによる心理的ハードルの低下
しかし、数値以上の成果として注目すべきは、現場の心理的な変化です。
当初、AI導入に懐疑的だったベテラン医師からも、肯定的な反応が得られる傾向にあります。
「正直、クラウドのAIなんて怖くて使えないと思っていた。患者さんの情報を外部のサービスに渡すなんて論外だと。でも、このシステムは院内の金庫の中で動いているようなものだと聞いて、それなら試してみようと思えた」
セキュリティへの確固たる安心感（Assurance）があるからこそ、医師たちは積極的にツールを利用し、フィードバックを返すようになります。もしこれがクラウド型であれば、利用規約の確認や患者への同意取得など、心理的・手続き的なハードルにより、利用率の向上は難しかったと考えられます。
診断のダブルチェックとしての活用事例
また、予期せぬ効果として「見落とし防止」への活用が始まるケースもあります。AIにカルテ情報を読み込ませ、「考慮すべき鑑別疾患は？」と問いかけることで、医師が念頭になかった稀な疾患の可能性を提示させる使い方が広まっています。
AIは疲れを知りません。当直明けの疲労困憊した医師にとって、冷静に可能性を列挙してくれるAIは、頼もしい「セカンドオピニオン」としての役割を果たし始めています。
6. 担当者からの提言：安全な医療AI導入のためのチェックリスト
これから導入を検討する医療機関へのアドバイス
こうした導入事例は、セキュリティと利便性がトレードオフではないことを示しています。重要なのは、自組織のリスク許容度を正しく理解し、それに合った技術を選択することです。
もし、対象となる組織が医療機関や金融機関のように、データの機密性を最優先する場合、流行りのクラウド型AIを導入する前に、一度立ち止まって「データの保管場所」について検討することが推奨されます。オンプレミスやプライベートクラウドでの運用が可能な軽量LLMは、コンプライアンスの壁を突破し、実務に即したシステムを構築するための合理的な選択肢となります。
失敗しないための事前準備
最後に、医療AI導入を検討する際に、プロジェクト開始前に確認すべきチェックリストをまとめました。これらを事前に整理しておくことで、ベンダー選定やシステム要件定義、倫理委員会での議論がスムーズに進むはずです。
- データガバナンス: 院内データの外部送信に関する規定はどうなっているか？（「原則禁止」か「条件付き許可」か）
- ネットワーク環境: 閉域網内でAIサーバーを運用するための物理的・論理的な場所はあるか？
- 倫理的合意: AIの誤謬（ハルシネーション）に対する責任分界点を医師と合意できているか？
- 目的の明確化: 「なんでもできるAI」ではなく「特定の業務（例：サマリ作成）を支援するAI」として定義できているか？
今後の展望：他診療科への横展開
先行して導入を進めた医療機関では現在、この成功を受けて、看護記録の要約や、地域連携室での紹介状処理など、他部門への横展開を進めています。オンプレミス環境という「安心できる基盤」ができたことで、院内のDX推進は大きく前進します。
技術は実際の業務フローを改善するためにあります。そして、医療における最大の価値は「信頼」です。その信頼を守りながら、技術の恩恵を最大限に享受する。そのための選択肢として、オンプレミス型AIの活用は非常に有効なアプローチと言えます。
コメント