導入：毎朝のカルテチェック、その限界と焦燥感
「もっと早く介入できていれば、デ・エスカレーション（広域抗菌薬から狭域への変更）のタイミングを逃さなかったかもしれない」
感染制御や抗菌薬適正使用支援（ASP）に携わる医療従事者にとって、こうした課題は日常的に直面するものではないでしょうか。毎朝、電子カルテに向かい、膨大な入院患者リストから抗菌薬投与患者を抽出し、検査値やバイタルサインを確認する作業は、途方もない労力を要します。
特に専従者がいない中規模病院や、兼任で業務にあたるAST（Antimicrobial Stewardship Team）メンバーにとって、全症例の詳細なモニタリングは物理的に困難です。結果として生じる「介入漏れ」や「対応の遅れ」は、耐性菌の発生リスクや医療コストの増大につながるジレンマを抱えています。
医療現場におけるASP支援システムの進化は目覚ましいものがあります。しかし、単にAIシステムを導入すればすべてが解決するわけではありません。「どのような思想でAIを実装し、どう人間のワークフローに組み込むか」というプロジェクトマネジメントの視点が成否を分けます。
本記事では、AIを「魔法の杖」としてではなく、ASTが本来の専門性を発揮するための「パートナー」として位置づけ、介入漏れを防ぎ、耐性菌対策を加速させるための具体的かつ実践的なアプローチについて体系的に解説します。システム導入を検討されている経営層の方々にも、これが単なるコストではなく、ROI（投資対効果）を最大化し病院経営の質を高める投資であることをご理解いただける内容となっています。
なぜ今、ASP（抗菌薬適正使用支援）にAIが必要なのか
医療現場を取り巻く環境は年々厳しさを増しています。診療報酬改定による要件の厳格化、医師の働き方改革によるタスク・シフティングの推進、そして多剤耐性菌（AMR）という世界的な脅威への対抗。これらに対応するには、従来の人力に頼った運用や単純なルールベースのシステムでは限界を迎えています。
マンパワー不足と介入対象の増加というジレンマ
ASTの活動において最も大きなボトルネックは、圧倒的な「時間不足」です。理想的には、抗菌薬を使用しているすべての患者について、適応、薬剤選択、投与量、投与期間が適切かを毎日評価すべきです。しかし、現実には数百床規模の病院で、抗菌薬投与患者は常に数十〜百名以上存在します。
これを少人数の、しかも多くは他業務との兼務であるASTメンバーがチェックするのは至難の業です。結果として、血液培養陽性患者や広域抗菌薬（カルバペネム系など）使用患者といった「ハイリスク群」のみに注力せざるを得ず、一般抗菌薬使用患者における不適切使用や長期投与の見逃しリスクが常に潜んでいます。
「医師の働き方改革」とタスク・シフティングの観点
2024年から本格化した医師の働き方改革は、ASP活動にも大きな影響を与えています。主治医は診療業務に追われ、抗菌薬の細かい適正使用ガイドラインを常に最新状態で把握し続けることは困難です。
ここで期待されるのが、薬剤師を中心としたASTによる能動的な介入です。しかし、介入提案を行うためには、確固たるエビデンスと患者個別の状況分析が必要です。AIによる支援システムは、薬剤師が医師に対して「なぜ処方変更が必要なのか」を論理的に説明するためのデータを整理し、タスク・シフティングを質・量ともに支援する基盤となります。
従来型ルールベースシステムの限界とAIの可能性
これまでも、電子カルテシステムや感染管理システムには「アラート機能」が存在しました。しかし、その多くは「体温が38度を超えたら」「WBC（白血球数）が一定値を超えたら」といった単純な条件分岐（ルールベース）によるものでした。
この方式の最大の問題は、偽陽性（False Positive）の多さです。術後の生理的な発熱や感染症以外の炎症反応でもアラートが鳴るため、現場は次第にアラートを無視するようになります。これがいわゆる「アラート疲れ（Alert Fatigue）」です。
一方、最新のAI技術、特にTransformerアーキテクチャを採用した大規模言語モデル（LLM）や高度な機械学習アルゴリズムは、医療データの持つ複雑な文脈を処理する能力が飛躍的に向上しています。従来のキーワードマッチングとは異なり、経過表の時系列データに加え、看護記録の自由記述テキストや検査画像といった非構造化データもマルチモーダルに解析することが可能です。
これにより、「この発熱は術後性のものである可能性が高い」あるいは「この患者背景でこの抗菌薬はリスクが高い」といった、より臨床感覚に近い判断支援が実現しつつあります。AIは、静的なルールの番人から、動的な文脈を考慮して医療従事者の意思決定を支えるパートナーへと進化しているのです。
AI活用ASPの基本原則：成功する3つの柱
AIシステムを導入する際、機能の多さやスペックばかりに目が行きがちですが、現場定着のために本当に重要なのは「運用思想」です。ここでは、実務の現場における一般的な傾向として、システム導入を成功に導くために絶対に外せない3つの原則を解説します。
原則1：リアルタイム性と予測精度の両立
感染症治療はまさに時間との勝負です。特に敗血症などの重篤なケースでは、適切な抗菌薬投与が1時間遅れるごとに生存率が低下するというデータも報告されています。AIシステムは、検査部からの血液培養結果や感受性試験の結果をリアルタイムに取り込み、即座に解析に反映させるスピード感が求められます。
また、予測精度も極めて重要です。AIが「耐性菌のリスクあり」と判断した場合、その精度（Positive Predictive Value）が高くなければ、現場の信頼は得られません。一般的なビッグデータだけでなく、過去の院内データ（アンチバイオグラムなど）を学習させ、自施設の疫学特性にフィットしたモデルを構築することが運用の鍵となります。
原則2：臨床現場のワークフローを阻害しないUI/UX
どんなに優れたAIでも、操作が煩雑で、電子カルテとは別の専用端末を立ち上げなければならないようなシステムは、現場では定着しません。理想的なのは、電子カルテの画面内にシームレスに統合されている、あるいはシングルサインオンで即座にアクセスでき、必要な情報が1画面（ダッシュボード）に集約されている状態です。
忙しい回診の合間に、数クリックで状況を把握できる。この「手触り感」とユーザビリティの高さこそが、継続利用の鍵を握ります。
原則3：説明可能性（Explainable AI）の確保
医療現場、特に医師への提案において、「AIがそう推奨しているから」という理由は通用しません。なぜその抗菌薬を推奨するのか、なぜ投与量の変更が必要なのか。その根拠がブラックボックスであってはならないのです。
ここで重要になるのが「説明可能なAI（Explainable AI）」という概念です。単に結果を出すだけでなく、「腎機能（eGFR）が低下しており、かつ過去にMRSA（メチシリン耐性黄色ブドウ球菌）の検出歴があるため、バンコマイシンのTDMに基づく投与設計を推奨」といったように、推奨に至ったロジックを言語化または可視化して提示できる機能が不可欠です。
根拠が明確であれば、ASTの薬剤師も自信を持って医師に提案を行うことができ、医師側も納得して処方変更を受け入れることができます。信頼できるパートナーとしてのAIには、この「説明責任」を果たす能力が求められています。
ベストプラクティス①：介入優先順位の自動トリアージ
ここからは、具体的な活用シーンにおけるベストプラクティスを体系的に見ていきましょう。まずは、AST業務の「入り口」である症例ピックアップの効率化です。
重症度と耐性菌リスクによるスコアリング
AI活用におけるメリットの一つは、膨大な患者データに対して瞬時にスコアリングを行える点です。例えば、以下のような因子を重み付けして総合スコアを算出します。
- 患者背景: 年齢、免疫不全状態、デバイス留置（CVカテーテル等）の有無
- バイタル: qSOFAスコア等の敗血症リスク指標
- 検査値: CRP、プロカルシトニン、WBCの推移
- 微生物: 過去の検出菌、現在の培養結果
- 薬剤: 広域抗菌薬の使用、重複投与、長期投与
AIはこれらのパラメータを監視し、リスクスコアが高い順に患者をリスト化します。これにより、ASTメンバーは「どこから見るべきか」迷うことなく、最も介入が必要な患者から順に論理的なアプローチを開始できます。
広域抗菌薬の長期投与症例の自動ピックアップ
ASP活動の目標の一つに、広域抗菌薬の使用適正化（カルバペネム系や抗MRSA薬などの使用量削減）があります。AIは、「培養結果が判明しているにもかかわらず、経験的治療（Empiric Therapy）としての広域抗菌薬が継続されている症例」や「投与開始から一定期間経過後も処方変更の検討がなされていない症例」を自動的に検知します。
これは、いわゆる「漫然投与」を防ぐためのセーフティネットとなります。人間なら見落としてしまいがちな「7日目」「14日目」といった節目を、システムは正確にトラッキングします。
「今日見るべき患者」を朝一番にリスト化する
AIシステムが毎朝定時に「本日介入検討すべき患者リスト」を自動生成し、AST担当者の端末にプッシュ通知を送る運用が行われている事例があります。担当者は出勤後、まずそのリストを確認し、電子カルテの詳細情報と照らし合わせるだけで済むようになります。
これにより、スクリーニングにかかる時間が大幅に短縮され、創出された時間を医師との対話や看護師への指導といった高付加価値な業務に充てることが可能になります。これこそが、AI導入による本質的な業務変革です。
ベストプラクティス②：個別化された投与設計（TDM）の高度化
次に、治療の「質」に直結する投与設計（TDM: Therapeutic Drug Monitoring）へのAI活用です。
患者背景（腎機能・体重等）を考慮した精密な投与量推奨
抗菌薬、特にバンコマイシンやアミノグリコシド系などの治療域が狭い薬剤では、血中濃度モニタリングに基づく投与設計が必須です。しかし、患者の腎機能（eGFRやCcr）は日々変動し、体重や年齢、透析の有無など考慮すべきパラメータは複雑です。
AIモデルを用いたTDM支援システムは、電子カルテから最新の検査値や身体情報を自動取得し、ベイジアン推定などの統計手法を用いて、その患者に最適な投与量と投与間隔を提案します。「腎機能が急激に悪化しているため、次回の投与量を減量すべき」といったアラートを、投与直前のタイミングで出すことも可能です。
PK/PD理論に基づくシミュレーションの自動化
薬物動態学/薬力学（PK/PD）理論に基づき、目標とする血中濃度（AUC/MICなど）を達成するためのシミュレーションをAIが実行します。従来、薬剤師が専用ソフトに手入力して計算していたプロセスが自動化されます。
これにより、計算ミスのリスクが排除されるだけでなく、複数の投与シナリオ（例：1回投与量を増やすか、投与回数を増やすか）を視覚的に比較検討することが容易になります。医師への提案時にも、「プランAなら目標濃度達成率が95%ですが、プランBだと70%に留まります」と、データに基づいた論理的な説明が可能になります。
過少投与と過剰投与の回避
AIによる予測は、副作用リスクの低減（過剰投与の回避）と、治療失敗リスクの低減（過少投与の回避）の両立を実現します。特に、肥満患者や重症浮腫患者など、標準的な投与量が当てはまらないケースにおいて、AIの学習データに基づく推論は強力な意思決定支援となります。
ベストプラクティス③：アウトカム評価と耐性菌監視の自動化
ASP活動において極めて重要なのは、実施した介入が適切であったかを検証し、次のアクションに繋げるPDCAサイクルです。しかし、多くの現場ではデータ集計そのものに工数を奪われ、評価まで手が回らないのが実情です。
最新の感染制御支援システムやデータ分析基盤を活用することで、事後的な集計作業から脱却し、予兆を捉えて先手を打つ「攻めの感染制御」へとシフトすることが期待されています。ここでは、アウトカム評価と監視業務におけるデータ活用の要点と、システム導入時に考慮すべきセキュリティの観点を解説します。
AUD, DOTなどの指標自動集計と可視化
感染対策加算や抗菌薬適正使用支援加算の要件となるAUD（抗菌薬使用密度）やDOT（治療日数）といった指標は、ASP活動の成果を測るための基本データです。これらをレセプトデータや払い出し記録から手作業で集計する方法は、非効率であるだけでなくヒューマンエラーのリスクも伴います。
現在、院内システムと連携し、これらの指標を日次で自動集計・可視化する機能を持つ支援システムの導入が進んでいます。自動化により、以下のような多角的な分析を迅速に行える点が大きなメリットです。
- 部署・診療科別のドリルダウン: 「特定の病棟で広域抗菌薬の使用が急増していないか」を即座に特定
- 薬剤系統別のトレンド分析: カルバペネム系やキノロン系など、監視対象薬剤の使用傾向を可視化
- 異常値のアラート検知: 統計的な閾値を超えた使用量を検知し、担当者に通知する仕組みの構築
これにより、データに基づいた迅速な現状把握が可能となり、介入が必要なケースを見逃さない体制づくりに寄与します。
アンチバイオグラムの動的生成とトレンド分析
院内の起炎菌ごとの薬剤感受性率をまとめた「アンチバイオグラム」は、エンピリック治療の羅針盤となる重要な資料です。従来は年1回の作成が一般的でしたが、耐性菌の傾向は常に変化するため、年次レポートだけでは最新の状況を反映しきれない課題がありました。
システム活用のアプローチでは、検査データを継続的に取り込み、アンチバイオグラムを動的（ダイナミック）に生成することを目指します。例えば、「直近1ヶ月でICUにおける緑膿菌の耐性率が上昇傾向にある」といった変化を早期に捉えることで、アウトブレイクの予兆を察知できる可能性があります。
静的な記録としてのアンチバイオグラムから、現在進行形の脅威を監視するモニターへと役割を進化させることは、院内感染対策の質を向上させる上で重要な視点です。
院内感染対策会議資料の作成工数削減とセキュリティ確保
ICT（感染制御チーム）やASTの定例会議に向けた資料作成は、専門職にとって大きな負担です。耐性菌の検出状況や抗菌薬の使用状況など、多岐にわたるデータをまとめる作業に時間を奪われ、肝心の対策立案がおろそかになっては本末転倒です。
支援システムは、これらの定型的なレポート作成を効率化し、会議に必要なダッシュボード生成を支援します。作成工数を削減することで生まれた時間は、データに基づいた深い議論や、現場への教育・フィードバックといった「人間にしかできない業務」に充てることができます。
なお、こうしたシステムを導入する際は、患者情報を含む機微なデータを扱うため、セキュリティ対策が不可欠です。多要素認証（MFA）の導入や、エンドポイントでの検知と対応を行うEDR（Endpoint Detection and Response）の実装など、強固なセキュリティ基盤を持つシステムを選定することが、安全な運用とガバナンス確保の前提となります。
アンチパターン：AI導入で陥りがちな失敗
AIは強力なツールですが、プロジェクトマネジメントの観点が欠如していれば現場の混乱を招きます。避けるべき典型的な失敗パターン（アンチパターン）を知っておくことは重要です。
過剰なアラート設定による「アラート疲れ」
最も多い失敗は、システム導入初期に「念のため」とあらゆる条件でアラートが出るように設定してしまうことです。結果、1日に何十件もの通知が届き、重要な情報が埋もれてしまいます。
対策:
導入初期はアラート対象を絞り込みます（例：広域抗菌薬の長期投与のみ、血液培養陽性のみ）。そして、現場のフィードバックを受けながら徐々に範囲を広げたり、AIの閾値を調整したりするアジャイルなアプローチが推奨されます。
現場の合意形成なきトップダウン導入
「AIを導入したから、明日からこの推奨に従うように」というトップダウンの指示は、現場の反発を招きます。医療は個別の判断の積み重ねであり、画一的な指示は機能しません。
対策:
導入前から、キーマンとなるステークホルダー（感染症科医だけでなく、各科の部長クラス）を巻き込み、「AIは裁量を奪うものではなく、判断を支援するツールである」というコンセンサスを形成しておくことが重要です。
ブラックボックス化したAI判断への盲信
AIの推奨を無批判に受け入れることも危険です。AIは学習データに含まれない未知の状況（新興感染症など）には対応できません。
対策:
最終的な決定権と責任は常に人間にあることを明確にします。AIの推奨は「セカンドオピニオン」として扱い、臨床的な裏付けを確認するプロセスを業務フローに組み込む設計が必要です。
導入効果の実証：介入件数と医療経済効果
最後に、システム導入を検討する際の意思決定に役立つ、具体的な効果測定とROIの視点を提供します。
介入率向上と抗菌薬コスト削減の相関データ
AIシステム導入後、顕著に現れるのは「介入件数」の増加です。特に、見落とされがちだったデ・エスカレーションの提案数が増え、結果として高価な広域抗菌薬の使用量が減少します。
医療機関での導入事例では、AI導入により介入件数が増加し、抗菌薬購入コストが大幅に削減されたという報告があります。適切に運用されれば、システム導入コストを十分に回収できる可能性があります。
在院日数短縮への寄与
適切な抗菌薬治療は、感染症の早期治癒につながり、結果として平均在院日数の短縮に寄与します。在院日数の短縮は、病床稼働率の向上や新規入院患者の受け入れ枠拡大に直結し、病院経営全体にプラスの経済効果をもたらします。
ASTメンバーの残業時間削減効果
情報収集や集計業務の自動化により、AST専従・兼任者の残業時間が削減されたケースも多く見られます。これは人件費の削減だけでなく、スタッフのモチベーション維持や離職防止といった組織マネジメントの観点からも極めて重要です。
まとめ
AIによる抗菌薬適正使用支援システムは、現代の高度医療を支えるインフラとなりつつあります。それは、ASTメンバーを単純作業から解放し、より創造的で専門的な業務へとシフトさせるための鍵です。
プロジェクトを成功に導くポイントは、AIを「導入して終わり」にするのではなく、現場のワークフローに統合し、PDCAを回しながら継続的に改善していく視点を持つことです。
- トリアージの自動化で、介入漏れをゼロに近づける。
- TDMとシミュレーションで、個々の患者に最適な治療を提供する。
- データ集計の自動化で、継続的な改善サイクルを回す。
これらを実現するための第一歩として、まずは自院の現在のASP活動におけるボトルネックを論理的に可視化することから始めてみてください。
コメント