イントロダクション：AIは「予言者」になれても「調整役」にはなれない

「予測モデルは98%の精度で感染拡大を予知していました。それなのに、なぜ現場の病床調整は崩壊したのでしょうか？」

これは、医療政策の現場でしばしば耳にする、非常に痛切で本質的な問いです。

昨今、医療リソースの最適配分や感染症予測システムの導入を検討する自治体や医療機関が増えています。しかし、冒頭の問いのように、「高精度のAIを導入したのに、現場が動かない」「システム上は空床があるのに、受け入れ拒否が多発する」という課題に直面するケースが後を絶ちません。

なぜでしょうか？

それは、多くのプロジェクトが「AIを予言者（Oracle）として扱おうとしている」からです。中学生からゲームプログラミングに没頭し、35年以上にわたり業務システムやAIエージェントの開発に携わってきた視点から言えば、システムは「完璧な計算」ができても、それを使う人間の感情や複雑な利害関係までは自動で調整してくれません。未来を正確に予測し、最適な配分を指示すれば、人はその通りに動くと考えてしまうのは、技術過信の典型です。地域医療の現場は複雑な利害関係と、数値化できない人間的な事情で動いています。

AIは計算上の「最適解」を出すことはできますが、その解を人々に納得させ、実行させる「調整役」にはなれません。そこには、技術論を超えたガバナンスとコミュニケーションのデザインが必要不可欠です。

今回は、技術的なスペックの話はあえて脇に置き、「AIが出した最適解を、利害が対立する人間社会でどう合意し、実行するか」という、より泥臭く、しかし決定的に重要な社会実装の視点から解説します。

もしあなたが、システムの仕様書を作る前の段階で「どうすれば関係各所を巻き込めるか」に悩んでいるなら、この話はきっと役に立つはずです。

Q1 導入の障壁：なぜ「精緻な予測」が現場の反発を招くのか

―― 多くの組織が「予測精度の高さ」を重視してシステムを選定しますが、それだけでは不十分なのでしょうか？

HARITA： 不十分どころか、場合によっては「精緻すぎる予測」が現場の反発を招く原因にすらなります。これはパラドックス（逆説）のように聞こえるかもしれませんが、現場の心理を紐解けば当然の帰結です。

システム導入の一般的な事例として、地域の各病院の「空床数」をリアルタイムで集約し、感染症患者の発生予測に基づいて自動で割り振るアルゴリズムを搭載したケースを考えてみましょう。数学的には完璧な配分を目指したものであっても、現場の看護師長や救急担当医から反発が起きることがあります。

「AIは現場を知らない」

データ上、確かにベッドは空いていても、その病棟にはその日、熟練の看護師が不足していたり、ゾーニング（感染エリアの区分け）の都合で、物理的には空いていても動線確保のために使えない部屋だったりする場合があります。そういった「データ化されていないコンテキスト（文脈）」が現場には無数にあります。

―― なるほど。「数字上のリソース」と「実働リソース」にはギャップがあるわけですね。

HARITA： その通りです。これを「データ・リアリティ・ギャップ」と呼ぶことができます。

特にパンデミックのような有事の際、医療従事者は極度の疲労とプレッシャーの中にいます。そこに、ブラックボックス化したAIから「空いているはずだから受け入れろ」という指示が飛んでくる。これはもう、支援ではなく「圧力」と感じられる可能性があります。反発が起こることも考えられます。

また、経営的な視点も見逃せません。民間病院にとって、感染症患者を受け入れることは、通常の診療体制を縮小し、経営リスクを負うことを意味する場合もあります。公衆衛生上の「全体最適」と、各病院経営の「個別最適」は、必ずしも一致しません。

この利害の不一致を無視して、AIが「全体最適」だけを押し付ければ、現場は防御反応を示す可能性があります。「満床です」と報告してシステム入力をロックする、いわゆる「シャドー・オペレーション」が発生してしまうことも考えられます。

ですから、導入時にまず考えるべきは、「いかに高精度に予測するか」ではなく、「いかに現場のリアリティ（制約条件）をモデルに反映させるか」、そして「AIの提示する配分案に、現場が納得できるロジックがあるか」という点なのです。

Q2 視点の転換：AIを「正解装置」から「共通言語」へ再定義する

―― では、対立する利害関係の中で、AIをどのように活用すればよいのでしょうか？

HARITA： アプローチを根本から変える必要があります。AIを「答えを出す装置（Decision Maker）」として使うのではなく、「合意形成のための共通言語（Communication Tool）」として使うのです。

推奨されるアプローチとして、「シナリオ・ベースの合意形成」があります。

例えば、AIに「A病院が受け入れるべき」という命令を出させるのではなく、「もし現状のペースで感染が拡大し、かつ今のリソース配分のままだと、2週間後に地域全体でどのような医療崩壊が起きるか」というシミュレーション結果を可視化させます。

地域医療の調整会議の事例では、関係者が集まる場でこのシミュレーションをリアルタイムで提示することが有効です。

「もしA病院がここで無理をして重症患者を2名受け入れないと、連鎖的にB病院の救急がパンクし、結果として地域全体の死亡率がこれだけ上がる」

という未来予測を、数値とグラフで提示したとしましょう。すると、場の空気が変わります。「A病院だけに負担を強いるのは不公平だ」という感情論から、「地域全体の崩壊を防ぐために、今週はA病院が踏ん張り、来週はC病院がバックアップする」という、建設的な協力体制の議論へとシフトするのです。

―― AIが「共通の敵（未来の危機）」を可視化することで、団結を促したわけですね。

HARITA： まさにそうです。人間は、他人から指図されるのは嫌いますが、客観的なデータに基づいて自ら選択することは受け入れやすいものです。

ここで重要なのが、ダイナミックアロケーション（動的配分）の公平性をどう担保するかです。

AIを活用すれば、「今回はA病院が負担したから、次のフェーズではA病院への補助を手厚くし、患者受け入れはD病院に優先的に回す」といった、時間軸を含めたバランス調整が可能になります。

単発の時点での公平性ではなく、期間全体を通じた公平性をシミュレーションで示す。これにより、「損な役回り」を引き受けることへの納得感を醸成できます。

「Pain Sharing Simulation（痛みの分有シミュレーション）」と呼ばれるこの手法は、AIを交渉テーブルに乗せるための「信頼できる客観的指標」を作るために活用できることを示唆しています。

Q3 地域特性の実装：ローカル変数が予測精度と信頼を決める

―― 技術的な側面についてもお聞きします。地域ごとに医療事情は異なると思いますが、汎用的なAIモデルで対応できるのでしょうか？

HARITA： 結論から言うと、汎用モデルをそのまま適用して成功する事例はほとんどありません。地域医療の現場においては、「ローカル変数」の組み込みこそが、システムへの信頼（Acceptance）を獲得する最大の鍵となります。

例えば、地方都市における感染症予測モデルの構築を想定してみてください。標準的な疫学モデルや一般的な人流データだけを学習させた場合、特定の時期に予測が大きく外れるという課題に直面することは珍しくありません。その原因を探ると、地域特有の「お祭り」や「伝統行事」だったというケースがよく報告されています。住民が大勢集まり、親戚一同で会食をするという、都心の汎用モデルには存在しない密接な接触イベントが影響しているわけです。

また、寒冷地において、積雪や凍結による交通事情の変化が救急搬送時間に極めて大きな影響を与えることも、よく知られた課題です。こうした地域特有の環境要因をモデルに組み込まなければ、現場で実際に使える「最適な搬送先」を算出することは困難になります。

―― そういった地域特有の事情を、どうやってAIに学習させるのですか？

HARITA： ここで活きてくるのが、地元のベテラン保健師や医師たちが長年培ってきた「勘」や「暗黙知」です。データサイエンスの観点からも、現場のドメイン知識（専門領域の知見）は非常に価値があります。

開発の初期段階で現場の医療従事者に丁寧なヒアリングを行い、「なぜ、この時期に特定の疾患が増えると考えられますか？」「悪天候時の搬送では、具体的にどのような障壁がありますか？」といった問いかけを行うことが重要です。

彼らの答えの中には、予測精度を飛躍させる重要な特徴量（Feature）が隠されています。「農繁期は高齢者が無理をして体調を崩しやすい」「このエリアの住民は、軽症でもまず〇〇病院に行く習慣がある」といった定性的な情報を、いかに定量的なパラメータとしてモデルに落とし込んでいくかが、アーキテクトの腕の見せ所と言えます。

ここで私が強く推奨したいのが、「まず動くものを作る」プロトタイプ思考です。ReplitやGitHub Copilotなどの最新AIツールを駆使すれば、現場でヒアリングした仮説を即座にモックアップとして形にし、その場で検証することが可能です。分厚い仕様書を作る前に、目の前で動くプロトタイプを見せることで、現場とのコミュニケーションは劇的に深まり、より精緻なローカル変数を引き出すことができます。

さらに、現場の納得感を得るためにはXAI（説明可能なAI）の技術が不可欠です。AIが予測を出したとき、単に結果を示すだけでなく「なぜその数値になったのか」という根拠や内訳を透明化する必要があります。

「来週は感染リスクが高まります」というブラックボックスな警告だけでは、多忙な現場は動きません。「過去のデータ傾向から、来週の地域イベントによる人流増加と、急激な気温低下による免疫低下リスクが重なるため、リスクが高まります」と論理的に説明されて初めて、医療スタッフは具体的な予防アクションに踏み出すことができます。

トップダウンで「都市部で作られた最新モデル」を押し付けるのではなく、ボトムアップの視点で「自分たちの地域の事情を深く理解しているモデル」へとアジャイルに育てていく。この地道なプロセスこそが、地域医療DXを成功に導く本質だと確信しています。

Q4 今後の展望：平時の「デジタル訓練」が有事のレジリエンスを作る

―― 感染症の流行は波があります。喉元過ぎれば熱さを忘れるではないですが、システムの維持・運用コストをどう正当化すればよいでしょうか？

HARITA： 非常に鋭い指摘です。パンデミック専用のシステムとして導入すると、平時には「無用の長物」となり、予算削減の対象になりがちです。そして次のパンデミックが来た時には、使い方が分からず埃をかぶっている。

これを防ぐためには、「平時の地域医療課題解決」にシステムを転用（Dual Use）する設計が必要です。

例えば、感染症予測のアルゴリズムは、季節性インフルエンザや熱中症の搬送予測にも応用できます。リソース配分のロジックは、高齢者の救急搬送における「たらい回し」防止や、在宅医療から病院へのスムーズな移行支援にも使えます。

平時からこのシステムを使って、地域の医療機関同士が連携し、患者を融通し合う「練習」をしておくこと。これを「デジタル防災訓練」と呼ぶことができます。

平時に使い慣れていないツールを、有事の混乱の中で使いこなすことは不可能です。平時の業務効率化（例えば、転院調整の電話業務の削減など）に貢献し、現場にとって「あって当たり前」のインフラにしておくことが、結果として有事の際の地域レジリエンス（回復力）を高めます。

―― 経営層や政策決定者へのアドバイスをお願いします。

HARITA： AI導入を検討する際、まず決めるべきは「どのベンダーにするか」でも「どのアルゴリズムを使うか」でもありません。

「AIが弾き出した不都合な真実（リソース不足や配分の偏り）に対して、誰が責任を持って意思決定（ボタンを押す）をするか」というガバナンス構造の決定です。

高校生で業務システムの受託開発を経験して以来、35年以上のキャリアを積む中で培った知見として、システムが失敗する最大の原因は技術力ではなく、この「責任の所在」が曖昧なことにあると言えます。AIはあくまで参謀です。決断し、責任を取るのは人間です。この覚悟がないまま導入すると、AIは単なる「言い訳のためのツール」になる可能性があります。

明確なガバナンスと、地域への深い理解に基づいたAIシステムは、限られた医療リソースを最大化し、住民の命を守るための強力なツールとなります。

これからの地域医療連携は、人間の「想い」とAIの「論理」をどう融合させるかが重要になるでしょう。

まとめ：次の一歩を踏み出すために

今回解説したように、地域医療におけるAI活用は、技術的な導入以上に「組織的な合意形成」と「運用プロセスの設計」が重要です。

• AIは「予言者」ではなく「調整役」として位置づける
• 現場のリアリティを反映しない予測は、かえって混乱を招く
• シミュレーション機能を使って、利害関係者間の「納得感」を作る
• 平時からシステムを稼働させ、地域の「デジタル基礎体力」をつけておく

これらは一朝一夕に実現できるものではありませんが、着実に進めれば、地域の医療提供体制を強靭化できる可能性があります。