ケースでわかる診断エラー学

「適切に診断できなかったのは，医師の知識不足が原因だ」――果たしてそうだろうか。うまく診断できなかった事例を分析する「診断エラー学」の視点から，診断に影響を及ぼす要因を知り，診断力を向上させる対策を紹介する。

［第11回］診断エラー減少への解法：医療情報技術の活用

綿貫 聡（東京都立多摩総合医療センター救急・総合診療センター医長）
徳田 安春（群星沖縄臨床研修センター長）

（前回よりつづく）

ある日の診療

　ある日の外来での出来事である。

　「先生，最近AI（人工知能）が進化してますよね。医者よりも診断能力が高かったっていう論文の話をこの前聞いたんです。いっそ，AIが診断するほうが診断エラーが減るんですかね。ぼくらの業務も少しは楽になるかなぁ」とうれしそうに言う研修医Aに対し，私は「本当にそうなのかな？　今現在の医療情報技術について，もう少し一緒に調べてみよう」と促した。

　これまで，診断エラーそのものと予防策について述べてきた。今回から2回に分けて，診断エラー減少のための解法として医療情報技術（Health Information Technology；HIT）を紹介する。

　その前提として，何気なく普段使うHITについて整理しよう。HITは多様な内容を含んでいる。2006年に『Annals of Internal Medicine』誌に掲載されたシステマティックレビュー^1）においては，下記が含まれると定義された。

　また，HITが診断に関して対象とすべき10個のターゲットには次のものが示されている^2）。

　これらの目的を達成するためのHITとして診断の領域で近年注目されているのが，AIの活用である。

診断においてAIは人間より優れているのか？

　HITの中でもAIは，医療における多分野において，もちろん診断においても大きな役割を果たすことが期待されている。ともするとAIは診断に関連するさまざまな場面で人間の能力を上回り，現在人間が行っている業務を奪っていくとも言われている。いくつかの代表的な論文を見ていこう。

　放射線科領域では多数の論文が出ている。例えばNorthwestern Medicine社とGoogle社のAI部門が共同研究^3）を出して話題となった。低線量CTでの肺癌スクリーニング検査において，単一のCTスキャン分析でAIは，放射線科医のグループよりも偽陰性を5％減らし（＝正しい検出を増やし），偽陽性を11％減らした（＝誤った検出を減らした）との結果を示した。以前撮影したCTスキャンを確認できた場合は，放射線科医とAIの診断精度は同等であった。また，2年後のリスク予測については放射線科医に比較して検出予測精度が9.5％高かったとの結果を示している。

　病理組織学領域の診断においても，病理医をAIが部分的に上回ったと話題になった研究^4）がある。2015～16年に行われたAIを用いた病理組織画像解析の国際コンペティションCAMELYON 16において乳がんの転移検出を129枚の画像についてAIと11人の病理医が行ったところ，2時間の制限が付いた場合はAIの検出率のほうが上回り，30時間での比較においてほぼ同等であったとの結果が得られた。

　しかしながらこれらの論文は臨床セッティングとの異なりが多くある。例えば病理の論文では，臨床医が実際に遭遇する以上に転移・微小転移が多く含まれている可能性や，ヘマトキシリン・エオジン染色以外の追加染色などの情報がない状況で時間制限のあるレビューが行われている点などがLimitationに示されている。現実の世界にそのまま転用できるとは限らない。

　最近出版された医療専門職とAIの診断精度に関連するメタアナリシス^5）においてもAIの診断精度は人間のそれと大きく変わらないとの結果が出ている。しかしメタアナリシスの対象となった研究や本研究結果に対しては，次の問題点が指摘されている。

　このように，AIと人間の診断能力に関する比較研究においては，現時点では明確な回答が出ていないのが結論である。その意味で，現時点でAIは，診断においてはリマインドシステムや，臨床決断サポートツールとしての活用を期待したい。

HITがもたらす臨床への恩恵，臨床能力への懸念

　英国NHSでは，2017年からBabylon Health社による「GP at Hand」が導入され，すでに4万件を超えるダウンロードが行われている。このアプリ・サービスの中ではAIを活用したチャットボットによる症状のチェック，トリアージシステムが活用されている。

　日本においては現在，AIを活用した問診システムにより，医師が行っている業務の効率化（予診の時間短縮などのタスク・シフティング）に関連した実証実験が開始された段階にある。

　しかしながら，AIの実臨床での活用にはいくつか課題が残されている。例えば，AIが得意とする機械学習については学習のための教師データが必要である。それは特に数値データとテキストデータにおいて優れているが，「人間の作成した参照基準において優れている」という状況^6）である。最適な機械学習に人間の入力情報が必要な状況はまだ変わらないだろう。

　また，EHRのデータに欠損があったり，サンプルサイズが少なすぎたり，疾病の誤分類があることにより臨床決断サポートツールが導き出した結論に問題が生じる可能性も危惧される^7）。現時点では最終的な判断を人間が行うのが妥当な状況にあると思われる。

　さらに，AIを利用することで生じる問題点として，機械学習をベースとした臨床決断サポートツールの使用により，自動化された機能に対して過剰な信頼が発生する可能性があることが挙げられている。これにより医師に本来は必要なはずの技量が低下し，テクノロジーに障害が発生したり，故障した際に医師のパフォーマンスの低下が引き起こされたりする可能性があるとも懸念^8）されている。

　このように，AIが関連する臨床決断へのサポートは大きな可能性を秘めているものの万能ではない。医療職はHITに適応すればするほど臨床面において恩恵を受ける一方で，自身の臨床能力をどのように担保するか考えなければならない，という難しい課題にも向き合う必要がある。

診療その後

　「いろいろ調べてみましたけど，思っていたほど簡単じゃなくて，やっぱりまだ人間のやることが多く残っているようですね」と研修医Aはややがっかりしたような感じであった。

　「でもまあ，今の段階でも予診業務，画像・病理診断などを補助することで，診断に関与することが期待されているね。加えて，ここ20年近くの医療情報技術の発展は目覚ましいから，10年後くらいにはいろいろ変わっているんじゃないかな。期待して待つことにしよう」と私は前向きにまとめた。

（つづく）

参考文献
1）Ann Intern Med. 2006 ［16702590］
2）BMJ Qual Saf. 2013 ［PMID：23852973］
3）Nat Med．2019 ［PMID：31110349］
4）JAMA. 2017 ［PMD：29234806］
5）Liu X, et al．A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging：a systematic review and meta-analysis．The Lancet Digital Health．2019；6：e271-e297．
6）J Am Coll Radiol. 2018 ［PMID：29502585］
7）JAMA Intern Med. 2018 ［PMID：30128552］
8）JAMA. 2017 ［PMID：28727867］