【医師の働き方改革と医療AI】厚労省64ページの実測と、診療報酬1.2人換算の実装編
令和7年の調査で、週の労働時間が60時間以上ある病院の常勤勤務医は、15.0パーセントまで下がっていました。平成28年の調査では39.2パーセントでしたから、およそ4割から1割台へ落ちたことになります[1]。
制度が始まって以降、長時間労働の割合は確かに下がりました。
ところが同じ資料の中に、こんな結果も載っています。専攻医などに「働き方改革は進んでいますか」と聞くと、「進んでいる」と答えた人と「あまり進んでいない」と答えた人が、どちらも4割前後で拮抗するのです[1]。時間は減りました。それなのに、進んだと感じている人は、感じていない人と同じだけしかいません。
このズレは、単なる気分の問題ではありません。制度が測ってきた量と、現場が感じている量が、そもそも別物だった可能性があります。そして、その「別物」のほうに先に効く道具が、いま医療の外側から入ってきています。
この記事では、3つの資料を突き合わせます。2026年7月13日に厚生労働省が開いた検討会の資料64ページ。同じ厚労省が2月に固めた診療報酬改定の831ページ。そして、アメリカで行われたAIのランダム化比較試験です。後半は、診療報酬の算定要件を条文レベルまで分解し、明日から病院で何を決めて何を測るのかという実装の話に踏み込みます。
グロッサリー
医師の働き方改革: 2024年4月から始まった、医師の時間外・休日労働に上限を設ける制度です。
水準 (A・B・連携B・C-1・C-2): 医療機関や医師の役割に応じて、年の上限時間が分かれる仕組みです。
追加的健康確保措置: 上限を超えて働く医師の健康を守るための、面接指導や休息時間の確保のことです。
週労働時間60時間以上: 時間外・休日労働が年960時間に相当する目安で、厚労省の調査でも区切りとして使われます。
タスク・シフト/シェア: 医師が担ってきた仕事を、他の職種へ移したり分け合ったりすることです。
生成AI: 文章の下書きなどを自動で作るAIです。診療文書の原案作成に使われることがあります。
AI scribe (アンビエントAI): 診察中の会話を録って、診療録の下書きを自動で作る仕組みです。
医師事務作業補助者: 医師の事務作業を代わりに担う職種です。診療報酬で配置が評価されています。
医師事務作業補助体制加算: 医師事務作業補助者の配置を評価する診療報酬上の加算です。
燃え尽き (バーンアウト): 仕事による消耗が続いて、意欲や共感が枯れてしまう状態です。
衛生委員会: 労働安全衛生法にもとづき、職場の安全と健康を話し合う会議体です。
RPA: 定型的な入力作業などをソフトウェアで自動化する仕組みです。
第1章: 2年で、時間は確かに減った
医師の働き方改革は、2024年4月から時間外・休日労働の年間上限を定めています。一般の労働者向けの原則は年360時間、例外で720時間です。医師の場合、A水準が960時間、B水準・連携B水準・C-1水準・C-2水準はいずれも1,860時間となっています。連携B水準は、派遣先の労働時間を通算すると長時間になりやすいため上限が1,860時間ですが、各院では960時間という整理になります[2]。
上限を置くだけではありません。健康を守るための措置がセットです。A水準では医師への面接指導が義務で、休息時間の確保は努力義務です。B・連携B・C水準では、面接指導も休息時間の確保も義務になります[2]。
そのうえで、制度が始まって後の令和7年に実態調査が行われました。冒頭に挙げた39.2パーセントから15.0パーセントへの低下が、その結果です。この縮減の傾向は、診療科別に見ても、年代別に見ても、性別で見ても、大学病院かどうかで分けて見ても、同じように確認できたとされています[1]。
ただし、全員が同じように楽になったわけではありません。診療科では、外科、救急科、産婦人科で長時間労働の割合が高いままです。年代では、40代の労働時間の中央値と平均値が、20代・30代よりわずかに高くなっています。勤務先では、大学病院の医師のほうが長く働いています。水準別では、連携B水準とC-2水準の医師が長い傾向にあります[1]。
若手の負荷も重いままです。臨床研修・専攻医の研修に対応するC-1水準の実態調査では、週60時間を超えて働く医師が6割、週80時間を超える医師も1割強にのぼりました[1]。
高度な技能の修得に対応するC-2水準は、若手一般とは別の話です。こちらは適用されている医師のうち、時間外・休日労働が年換算で960時間を超える医師が約6割います。しかもC-2水準は、適用されている領域と対象者数が限定的です[1]。
制度の運用状況も見ておきます。特定労務管理対象機関の指定数は、2026年4月1日時点で、連携B水準が148、B水準が403、C-1水準が135、C-2水準が13でした[1]。
この規制が医療の質を落としたのか、という点について資料は慎重です。地域医療への影響調査では、一部に影響が示唆されたものの、大半では大きな影響はなかったとみられる、と整理されています。医療の質については、循環器の救急医療において、勤務時間の制限によって血行再建の手技を受けにくくなったり、患者の経過が悪くなったりすることは認めなかった、とする論文が紹介されています[1]。
一言でまとめるなら、長時間働く医師は確かに減りました。しかし、まだ長いままの場所と人が残っています。
ミニまとめ
週60時間以上の病院・常勤勤務医は、39.2パーセントから15.0パーセントへ減りました[1]
A水準は年960時間、B系とC系は1,860時間が上限です[2]
外科・救急科・産婦人科、大学病院、連携B・C-2では長時間の傾向が残ります[1]
C-1の専攻医は週60時間超が6割、C-2は年960時間超が約6割です[1]
地域医療や循環器救急の質が大きく悪化したという結果は、資料上は出ていません[1]
第2章: それでも実感は、拮抗したまま
方向性そのものへの支持は厚いのです。専攻医などへの意識調査では、働き方改革は「進むべき」と考える人が6割程度、「見直しが必要」が2割程度で、「進めるべきでない」はごくわずかでした[1]。
割れているのは、進み具合の実感のほうです。「進んでいる」と「あまり進んでいない」が、どちらも4割前後。とくに大学病院や、労働時間が長い医師では、進捗が十分でないことが示唆されています[1]。
なぜ実感が伴わないのか。ひとつの手がかりが、自己研鑽の扱いです。どこまでが労働で、どこからが自己研鑽なのか。この区分に不満を持つ割合が、大学病院や労働時間の長い医師で高いとされています[1]。
上限規制が測るのは労働時間です。しかし現場のしんどさには、その測り方に納得できるかどうかまで含まれます。測られない負荷は、減っても実感になりません。ここは押さえておく価値があります。制度は「何時間働いたか」を数えますが、医師が疲れる理由は、時間の長さだけではないからです。中断されること。同じ書類を何度も書くこと。診察が終わっても仕事が終わらないこと。これらは時間の数字には現れにくい負荷です。
政策の側も、上限を置いて終わりにはしていません。医療機関勤務環境評価センターは、令和5年度から7年度にかけて、新規届出・更新・水準の追加などに関する結果通知を498機関に発出しました。長時間労働医師への面接指導を担う医師を養成するe-learning研修は、令和8年5月25日時点で15,035名に修了証を出しています[1][2]。
制度の外側からの支援も入っています。文部科学省の大学病院機能強化推進事業には、令和7年度補正予算で349億円が計上されました。さらに令和8年5月に成立した健康保険法などの改正では、業務効率化と勤務環境改善に取り組む医療機関を支援する新たな事業を地域医療介護総合確保基金に設けるほか、計画を作成して業務効率化・勤務環境改善を推進する病院を厚生労働大臣が認定する仕組みも設けられることになっています[1]。
打ち手は増えています。それでも実感が4割前後で止まっているのなら、増やしている打ち手が、しんどさの本体に当たっていない可能性を疑うべきです。
ミニまとめ
「進むべき」は6割程度で、方向への支持は厚いです[1]
一方で「進んでいる」と「あまり進んでいない」は4割前後で拮抗しています[1]
大学病院と長時間労働層では、進捗不足が示唆されています[1]
労働と自己研鑽の区分への不満が、同じ層で高くなっています[1]
評価センター498機関、面接指導研修15,035名、認定制度の新設など、周辺施策は動いています[1][2]
第3章: 打ち手の箱を開けると、そこにAIは入っていない
ここで、資料そのものを数えてみました。
2026年7月13日に開かれた第1回「令和8年度 医師の働き方改革の推進等に関する検討会」。その資料2-2 (論点、全7ページ) と資料2-3 (参考資料、全57ページ) を合わせると64ページになります[1][2]。この全文テキストを機械的に集計したところ、こうなりました。
「AI」「人工知能」の出現回数は、0回でした。「医療DX」も0回です。「ICT」だけが2回あり、いずれも資料2-2の中にあります。ひとつは現状を述べた「ICT機器の導入」、もうひとつは論点の「業務効率化に向けてICTの活用等を推進する必要がある」という一文でした[1]。スライド資料なので、図版に文字が焼き込まれていて機械集計から漏れる可能性もあります。そこで画像を多く含むページは、実際に描画して目視でも確かめました。章の扉、ロールプレイ研修の資料、勤務環境改善支援センターの配置状況、地域医療構想の図。どこにもAIは出てきませんでした。
これは厚労省がAIを軽く見ている、という話ではありません。所管する部署も文書の役割も違えば、使われる言葉が偏るのは普通に起きます。事実として言えるのは、働き方改革のこの資料の中では、業務効率化の話がICTまでで止まっている、ということだけです。
同じ性格は、タスク・シフト/シェアの一覧にも表れています。医師から移せる業務の例として、看護師、助産師、薬剤師、診療放射線技師、臨床検査技師、臨床工学技士、救急救命士、理学療法士、作業療法士、言語聴覚士、視能訓練士、義肢装具士が並びます。特定行為研修を修了した看護師には38行為21区分が示され、臨床検査技師には24項目が列挙されるなど、かなり具体的です[2]。
さらに「その他職種にかかわらずタスク・シフト/シェアを進めることが可能な業務」として7項目が挙がっています[2]。
1つ目が、診療録等の代行入力です。電子カルテへの医療記録の代行入力、臨床写真など画像の取り込み、カンファレンス記録や回診記録の記載、手術記録の記載、各種サマリーの修正、各種検査オーダーの代行入力が含まれます。
2つ目が、各種書類の記載です。医師が最終的に確認または署名することを条件に、損保会社等に提出する診断書、介護保険の主治医意見書、紹介状の返書、診療報酬等の算定に係る書類などを記載する業務です。
3つ目が、医師の診察前に、定型の問診票などを用いて、診察する医師以外の者が患者の病歴や症状を聴取する業務。4つ目が、日常的に行われる検査に関する定型的な説明と同意書の受領。5つ目が入院時のオリエンテーション。6つ目が院内での患者移送・誘導。7つ目が、症例実績や各種臨床データの整理、研究申請書の準備、カンファレンスの準備、医師の当直表の作成などです[2]。
読み返してみてください。移す先は、すべて人間です。看護師へ、薬剤師へ、医師事務作業補助者へ。AIへ移す、という項目は1つもありません[2]。
けれども、いま挙げた7項目のうち、1つ目 (代行入力)、2つ目 (書類の記載)、3つ目 (事前の問診)、7つ目の一部 (データ整理、当直表作成) は、まさに生成AIやAI scribeが狙っている領域そのものです。論点の最後には「足下での限られた人員でも質の高い医療が提供できるよう、業務効率化に向けてICTの活用等を推進する必要がある」と書かれています[1]。向いている方向は、確かに業務効率化です。それなのに道具箱の中に、いま最も強い道具の名前が、まだ入っていません。
ミニまとめ
検討会資料64ページで、AIと人工知能は0回、医療DXも0回でした[1][2]
ICTは2回だけで、「機器の導入」と「活用等を推進する必要がある」に限られます[1]
タスクシフトの移譲先は、すべて人間の職種です[2]
代行入力・書類作成・事前問診という、AIが最も得意な業務も「人へ移す」と書かれています[2]
非難ではなく、この文書の中ではまだ接続されていない、と読むのが正確です
第4章: ところが同じ省の別の部屋では、生成AIが算定要件になっている
厚生労働省の別の文書を開くと、景色が変わります。
保険局がまとめた令和8年度診療報酬改定の「個別改定項目について」。中央社会保険医療協議会が2026年2月13日に答申した、全831ページの文書です[3][4]。ここでも同じように語を数えました。「AI」は14回、「生成AI」は3回、「医療DX」は13回。そして章立てには、こういう項目が立っています。
「Ⅰ－２－２ 業務の効率化に資する ICT、AI、IoT 等の利活用の推進」
この章の下に、①から④までの4項目が置かれています[3]。働き方改革の資料では0回だったAIが、こちらでは章のタイトルになっているのです。
中身はさらに踏み込んでいます。医師事務作業補助体制加算という、医師の事務を代わりに担う職員の配置を評価する仕組みがあります。その配置人数の数え方が、今回の改定で新しくなりました。基本的な考え方は、こう書かれています。
「ICT機器等の活用による医師事務に係る業務効率化・負担軽減等の業務改善推進の観点から、医師事務作業補助体制加算の人員配置基準を柔軟化する」[3]
つまり国は、AIやICTを使って事務が効率化されるなら、人員配置基準の数え方を緩めてよい、と判断したわけです。
新設された「ICT機器を活用する医師事務作業補助者の配置人数の算入方法」を、条文に沿って分解します。まず、次に掲げるもののうち①を必ず含むものを、医療機関内で組織的に導入し、勤務する大半の医師および医師事務作業補助者が日常的に活用することにより、業務の効率化が顕著に図られていることが求められます[3]。
① 生成AIを活用し、退院時要約、診断書及び紹介状等の原案作成を自動的に行い、当該業務を大幅に効率化する医療文書等の文書作成補助システム
② 診療録、退院時要約、診断書及び紹介状の作成に対応する医療文書等への入力を行う医療文書用の音声入力システム (汎用音声入力機能を除く)
③ 救急医療情報システム等への医療データ等の定型的な入力作業等を自動化するRPA
④ 入退院時の説明、検査・処置、麻酔・鎮静、手術、インフォームド・コンセント及び医療安全・感染対策等に関する10種類以上の患者向け説明動画
ここで注意してほしいのが、①が必須だという点です。音声入力やRPAだけでは要件を満たしません。生成AIによる文書の原案作成が、入口として指定されています。
続いて、安全に関する条件があります。①から④のうち、電子カルテその他の医療情報システムと連動して医療情報を取り扱うものについては、厚生労働省の「医療情報システムの安全管理に関するガイドライン」および、総務省・経済産業省の「医療情報を取り扱う情報システム・サービスの提供事業者における安全管理ガイドライン」に準拠していることが必要です[3]。
さらに、生成AIその他のAI技術を用いる製品・サービスについては、経済産業省および総務省が公表する「AI事業者ガイドライン」が遵守されていることが求められます[3]。
そして研修です。届け出たものについて、当該医療機関に配置される全ての医師事務作業補助者に対し、操作方法および生成AIの適切な利用に関する研修を実施し、全ての医師事務作業補助者が、常時、当該ICT機器を用いて医師事務業務を遂行できる体制を整備していることが必要とされています[3]。
ここまでの要件を全て満たすと、医師事務作業補助者1人を1.2人として配置人数に算入できます。さらに、②から④に掲げるもののうち少なくとも1種類以上を広く活用している場合には、1人を1.3人として算入できます[3]。
届出には追加の条件もあります。この算入方法で新たに届け出る場合には、当該届出を行う直近3か月以上の期間において、この算入方法を用いずに、当該配置区分またはこれを上回る配置区分について引き続き算定していることが必要です[3]。つまり、AIを入れて一足飛びに上位の区分を取ることはできません。
そして評価の義務です。届け出る医療機関は、ICT機器等の導入前後における医師事務作業補助者の業務内容、業務量および業務時間、ならびに医師の事務作業時間および負担感等について、年1回程度、定量的または定性的な評価を実施すること。その結果を、労働安全衛生法にもとづく衛生委員会その他これに準ずる会議体において確認し、必要に応じて適切な対策を講じることが求められます[3]。
同じ改定では、医師事務作業補助者が実施可能な業務範囲の明確化も行われています[3]。
整理しましょう。国は、生成AIによる退院時要約・診断書・紹介状の原案作成を、医師事務作業補助者の人数の数え方に組み込む要件として書き込みました。ここは誤解しやすいところです。これはAIそのものに点数がつく加算ではありません。あくまで、すでに医師事務作業補助体制加算を届け出ている医療機関で、配置人数の算入方法が柔軟になる、という話です。しかも、安全管理ガイドラインへの準拠、AI事業者ガイドラインの遵守、全補助者への研修、直近3か月以上の算定実績、年1回の評価と衛生委員会での確認という、運用のガードレールが条文に書き込まれています。
なお本稿が読んだのは答申時点の資料です。実際に届け出る際は、その後の告示や施設基準の通知で最新の要件を必ず確認してください[3][4]。
働き方改革の資料ではAIが0回。診療報酬の資料では、生成AIが1.2人と1.3人を分ける鍵。労務を所管する部署と点数を所管する部署が、それぞれ並行して議論を進めていて、両者の接続がまだ見えにくい状態です。
ミニまとめ
診療報酬の個別改定項目では、AI 14回、生成AI 3回、医療DX 13回でした[3]
章立てに「業務の効率化に資する ICT、AI、IoT 等の利活用の推進」があります[3]
生成AIによる退院時要約・診断書・紹介状の原案作成が必須の入口条件です[3]
要件を満たせば補助者1人を1.2人、音声入力等も広く活用すれば1.3人と数えられます[3]
安全ガイドライン準拠・全員研修・年1回評価・衛生委員会確認がセットで求められます[3]
第5章: 時間は減らなくても、「しんどさ」は下がることがある
では、AIは実際に何を減らすのでしょうか。ここからは査読を経た研究を見ます。
いちばん強い証拠は、UCLAが行ったランダム化比較試験です。外来の医師238名、14の診療科を対象に、2024年11月4日から2025年1月3日まで実施されました。医師を3つのグループに無作為に分けます。Microsoft DAX Copilotを使う群、Nablaを使う群、そして通常どおり働く対照群です。主な評価項目は、診療録を書いている時間 (time-in-note) のベースラインからの変化でした[6]。
結果は、製品によって分かれました。Nablaを使った群では、記載時間が対照群より9.5パーセント減りました (95パーセント信頼区間はマイナス17.2からマイナス1.8、P値0.02)。ところがDAX Copilotの群では、有意な変化がありませんでした (マイナス1.7パーセント、95パーセント信頼区間はマイナス9.4からプラス5.9、P値0.66)[6]。
AIを入れれば時間が減る、とは限らないのです。同じ「アンビエントAI」というカテゴリーの製品でも、結果が割れました。
ところが、しんどさの指標を見ると話が変わります。働きやすさを測るMini-Z (10から50のスケールで、高いほど良い) は、DAXで2.83、Nablaで2.69の改善でした。どちらも信頼区間が無効果をまたいでいません。医師のタスク負荷を測るPTL (0から400) は、DAXでマイナス39.9、Nablaでマイナス31.7。仕事による疲弊感を測るPFI-WE (0から4) は、DAXでマイナス0.32、Nablaでマイナス0.23でした。ただし、NablaのPTLとPFI-WEは信頼区間が無効果をまたいでいます[6]。
つまり、記載時間を減らせなかったDAXの群でも、しんどさの指標は改善を示しました。著者らはこれらを副次的な評価項目と位置づけ、改善の可能性を示したが、より大規模で多施設の試験による確認が必要だと述べています。製品間のどちらが優れているかは、この試験の設計では結論できません[6]。
この非対称は、第2章の謎と符合します。厚労省の調査では、時間は減ったのに実感が伴いませんでした。AIの試験では、時間は減らなくても、しんどさの指標は改善を示しました。時間としんどさは別々に動く量ではないか、というのが本稿の読みです。ただし日本の労働時間調査と米国のRCTは、対象も制度も測る尺度も違います。実証された因果ではなく、仮説として受け取ってください。
考えてみれば不思議ではありません。診察が終わったあとに診療録を書くという行為は、時間の長さ以上に、頭を切り替える負荷を伴います。会話を思い出し、構造化し、言葉にする。この認知の作業を機械が肩代わりすれば、たとえ最終的な記載時間が同じでも、終わったあとの疲れ方は変わります。逆に言えば、時間だけを指標にしている限り、この改善は永遠に見えません。
他の研究も見ておきます。米国の6つの医療システムで、外来診療に関与する263名 (医師およびアドバンスプラクティショナー) を調べた研究では、AI scribeを30日間使用した後、燃え尽きの有病率が51.9パーセントから38.8パーセントへ、13.1ポイント下がりました。オッズ比は0.26 (95パーセント信頼区間0.13から0.54、P値0.001未満) です。ただしこれはランダム化比較試験ではなく、質改善研究です[5]。
ペンシルベニア大学では、17診療科の臨床医46名を対象にした質改善研究が行われました。1予約あたりのノート記載時間は10.3分から8.2分へ (20.4パーセント減、P値0.001未満)。当日中に予約をクローズできた割合は66.2パーセントから72.4パーセントへ。勤務日あたりの時間外作業時間、いわゆるパジャマタイムは、50.6分から35.4分へ減りました (30.0パーセント減、P値0.02)[7]。ただし、定性的なフィードバックは肯定と否定と両論が混在しています。
大規模導入の実例としては、Kaiser PermanenteのThe Permanente Medical Groupがあります。導入から1年、250万回を超える利用にもとづく知見が報告されています[8][9]。AIによる診療録作成が本当に効率を上げるのかを縦断的に検証した研究も出ています[10]。
ただし、都合のよい話ばかりではありません。
UCLAの試験で、実際にAIが使われたのは、DAX群では24,696件の受診のうち33.5パーセント、Nabla群では23,653件のうち29.5パーセントにとどまりました[6]。ライセンスを配っても、7割の診察では使われていないのです。効果は使用率に縛られます。ここは導入を検討する病院が最も見落とす点です。
そして、臨床的に重要な誤りが「時々ある (occasionally)」と報告されています。5段階のリッカート尺度で、DAXが2.7、Nablaが2.8でした[6]。著者たち自身が、燃え尽き・タスク負荷・疲弊感の改善は副次的な評価項目であり、より大規模で多施設の試験による確認が必要であること、そして時々みられる不正確さには継続的な注意が必要であることを明記しています。下書きを人が最終確認する工程は、外せません。
ミニまとめ
UCLAのRCTでは、Nablaは記載時間を9.5パーセント減らし、DAXは有意差がありませんでした[6]
それでも働きやすさの指標は両群で改善し、タスク負荷と疲弊感も低下の方向でした (副次評価項目です)[6]
時間としんどさは別々に動く量ではないか、というのが本稿の読みです (実証された因果ではありません)
実際にAIが使われたのは受診の3割前後で、効果は使用率に縛られます[6]
臨床的に重要な誤りは「時々ある」ため、人による最終確認は外せません[6]
第6章: 実装編——導入の前に決める4つのこと
ここからは実装の話です。順番を間違えると失敗します。
1. どの業務をAIに渡すか、先に決める
やってはいけないのは、製品を先に選ぶことです。決めるべきは、どの業務を機械に渡し、どの業務を人が持ち続けるか、という線引きです。
第3章で見た7項目を、そのまま出発点に使えます。診療録等の代行入力、各種書類の記載、事前の問診、検査の定型説明、入院時オリエンテーション、患者移送、データ整理と当直表作成。このうち生成AIの射程に入るのは、代行入力、書類の記載、事前の問診、データ整理あたりです。診療報酬の条文が名指ししているのも、退院時要約と診断書と紹介状という、まさにこの層でした[2][3]。
一方で、患者への説明と同意のプロセス、例外への対応、最終的な臨床判断は人が持ち続けます。ここを曖昧にしたまま製品を入れると、現場は「AIも確認し、人も確認する」という二重チェック状態に陥り、負担がむしろ増えます。線引きは導入前に紙に書いて、関係者で合意してください。
2. 測る対象を、時間から負担感まで広げる
診療報酬の要件は、導入の前後で次のものを評価することを求めています。医師事務作業補助者の業務内容、業務量、業務時間。そして医師の事務作業時間および負担感です。年1回程度、定量的または定性的に評価し、その結果を衛生委員会その他これに準ずる会議体で確認します[3]。
ここが接続点になります。
働き方改革の議論は、時間を中心に回ってきました。しかし診療報酬の要件は、負担感まで見ろと書いています。そしてUCLAの試験が示したのは、時間より先に負担感が動くという事実でした[6]。時間だけを測っている限り、AIの効果は帳簿に現れません。効果が現れないものに、経営は投資を続けられません。
測定の設計として、最低限そろえたいのは次の組です。
医師1人あたりの診療録記載時間 (電子カルテのログから取得できます)
勤務時間外の電子カルテ操作時間 (パジャマタイムに相当します)
同日中の診療録クローズ率
医師事務作業補助者の業務時間の内訳
負担感の主観指標 (UCLAの試験ではMini-Z、タスク負荷、疲弊感の3種が使われました)
主観指標は、導入前にベースラインを取っておかないと後から作れません。ここだけは先に手を打ってください。
3. 使用率を運用のKPIに置く
1.2人換算の条件は「組織的に導入し、大半の医師と医師事務作業補助者が日常的に活用し、業務の効率化が顕著に図られていること」です[3]。製品を買った時点では、要件を満たしません。
UCLAの試験で、使用率が3割前後にとどまったことを思い出してください[6]。同じ製品でも、使われなければ効果はゼロです。そして条文は「大半の医師が日常的に活用」と書いています。これは購買の話ではなく、定着の話です。
導入後に追う数字は、ライセンス数ではありません。何パーセントの診察で実際に使われたか、です。使用率が上がらないなら、その原因を潰すことが、次の製品を買うことよりも先に来ます。
4. 研修と最終確認を、形式ではなく安全装置として置く
条文は、全ての医師事務作業補助者に対して、操作方法および生成AIの適切な利用に関する研修を実施することを求めています[3]。ここで「適切な利用」が明記されている点は重要です。操作を覚えるだけでは足りません。
なぜなら、UCLAの試験で臨床的に重要な誤りが「時々ある」と報告されているからです[6]。誤りが混ざりうる下書きを扱う以上、それを見抜く目を全員に持たせる必要があります。研修は形式要件ではなく、実質的な安全装置です。
国内でも動きは出ています。国立病院機構九州がんセンターは、生成AIを用いた医療文書作成支援を導入し、紹介状をもとにした初診カルテの下書き作成などに利用していると発表しています。運用の原則は、AIが下書きを作り、最終確認は医療職が行うことです[11][12]。ただしこれは病院とベンダーの発表であり、査読を経た研究ではありません。査読論文と同じ棚に置かないでください。
画像診断の領域も同様で、大腸内視鏡のAI診断支援が診療報酬上の評価対象になった例はありますが、AIが一律に保険で評価されるわけではなく、製品や手技ごとに扱いが分かれます[13]。
ミニまとめ
製品を選ぶ前に、どの業務をAIに渡すかを決めます
測定は時間だけでなく負担感まで広げ、ベースラインを導入前に取ります[3][6]
使用率を運用のKPIに置きます。買っただけでは要件を満たしません[3][6]
研修と人による最終確認は、形式ではなく安全装置として設計します[3][6]
国内の導入事例は発表ベースであり、査読研究と区別して扱います[11][12]
第7章: 失敗する導入の典型
最後に、ここまでの材料から予測できる失敗のパターンを並べます。
ひとつめは、時間だけを見て失望するパターンです。導入から3か月後に「残業が減っていない」と結論し、撤収する。UCLAの試験を見れば、時間が動かない製品もありました[6]。しかしそのときも、しんどさの指標は改善していました。時間しか見ていないと、効いている効果を捨ててしまいます。
ふたつめは、買って配って終わるパターンです。ライセンスは配られたが、使用率が3割で止まる。条文が求めるのは「大半の医師が日常的に活用」であり、効率化が「顕著」であることです[3]。使用率が上がらなければ、算定要件も満たせず、効果も出ません。
みっつめは、二重チェックで負担が増えるパターンです。どの業務をAIに渡すか決めないまま導入すると、AIの下書きを人が全文検証し、結局もとの作業を全部やり直すことになります。線引きを先に決めるのは、このためです。
よっつめは、安全とガバナンスを後回しにするパターンです。安全管理ガイドラインへの準拠もAI事業者ガイドラインの遵守も、条文上の要件です[3]。導入してから整えるのでは、届出に間に合いません。
いつつめは、算定を急ぎすぎるパターンです。新たに届け出る場合には、直近3か月以上の期間において、この算入方法を用いずに当該配置区分またはこれを上回る配置区分を引き続き算定していることが必要です[3]。AIを入れて即座に上位区分へ、という道は用意されていません。
ミニまとめ
時間だけを見ると、効いている効果を見落として撤収します[6]
買って配るだけでは、使用率が上がらず要件も満たせません[3][6]
業務の線引きがないと、二重チェックで負担が増えます
安全ガイドラインとAI事業者ガイドラインの遵守は、後付けできない要件です[3]
直近3か月の算定実績が要るため、届出は前倒しで設計します[3]
【まとめ】
制度施行後の調査では、週60時間以上働く病院の常勤勤務医の割合が39.2パーセントから15.0パーセントへ低下し、縮減傾向が確認されました[1]。それでも「進んでいる」と感じる医師は4割前後にとどまり、大学病院や長時間労働層では進捗不足が示唆されたままです[1]。
その打ち手の箱を開けると、64ページの資料にAIという語は1度も出てきません。タスクシフトの移譲先も、すべて人間の職種でした[1][2]。ところが同じ厚生労働省の診療報酬改定では、生成AIによる退院時要約・診断書・紹介状の原案作成が、医師事務作業補助者の配置を1.2人や1.3人として数えるための要件になっています。安全管理ガイドラインの準拠、全補助者への研修、年1回の評価と衛生委員会での確認まで、条文に書き込まれています[3]。
そしてUCLAのランダム化比較試験が示したのは、AIは製品によって時間を減らしたり減らさなかったりするが、しんどさの指標はどちらの群でも改善を示した、ということでした。ただしこれは副次的な評価項目であり、著者らはより大規模な試験による確認が必要だとしています[6]。
時間を測る制度と、しんどさに効く技術が、まだ同じテーブルに載っていません。AIを魔法として持ち上げる必要も、働き方改革を否定する必要もありません。必要なのは接続です。衛生委員会で、時間と負担感を並べて見ること。使用率を追いかけること。そして、どの業務を機械に渡すのかを、導入の前に決めること。
国の文書のあいだで接続が弱いなら、接続は現場が作るしかありません。
FAQ
Q1. 時間が減ったのに、なぜ「しんどい」ままの人がいるのですか。
A1. 全体では週60時間以上の割合が39.2パーセントから15.0パーセントへ下がりました。しかし大学病院や長時間労働の医師では進捗が十分でないことが示唆され、「進んでいる」と「あまり進んでいない」も4割前後で拮抗しています[1]。労働と自己研鑽の区分への不満も、同じ層で高くなっています[1]。平均が下がっても、残った負荷の場所と、しんどさの中身は別の問題です。
Q2. AI scribeを入れれば、診療録を書く時間は必ず減りますか。
A2. 減るとは限りません。UCLAのランダム化比較試験では、Nablaは記載時間を9.5パーセント減らしましたが、DAX Copilotには有意な変化がありませんでした[6]。ただし燃え尽き・タスク負荷・疲弊感は、どちらの製品でも改善しています。時間より先に負担感が動く可能性がある、というのが現時点で言えることです。臨床的に重要な誤りも「時々ある」と報告されているため、人による最終確認は必要です[6]。
Q3. 診療報酬の1.2人・1.3人換算を取るには、最低限なにが必要ですか。
A3. 生成AIによる退院時要約・診断書・紹介状などの原案作成を組織的に導入し、大半の医師と医師事務作業補助者が日常的に活用して効率化が顕著であることが入口です。加えて、医療情報の安全管理ガイドライン類への準拠、AI事業者ガイドラインの遵守、全ての補助者への操作と適切な利用に関する研修が必要です。これで1人を1.2人に算入できます。さらに音声入力・RPA・10種類以上の説明動画のうち1種類以上を広く活用すると1.3人になります。年1回程度の評価と衛生委員会などでの確認、そして直近3か月以上の算定実績も要件です[3]。
Q4. 医師事務作業補助者の仕事は、AIに奪われますか。
A4. 条文の作りは、そうなっていません。生成AIを導入した場合に、補助者1人を1.2人や1.3人として数えられる、という設計です[3]。人を減らすのではなく、同じ人数でより多くを担えるようにする、という方向です。実際に条文は、全ての補助者への研修と、常時そのICT機器を用いて業務を遂行できる体制を求めています。AIは補助者を置き換える道具ではなく、補助者が扱う道具として位置づけられています。
参考資料
[1] 厚生労働省 医政局「医師の働き方改革の推進等に係る論点」第1回 令和8年度 医師の働き方改革の推進等に関する検討会 資料2-2 (2026年7月13日) https://www.mhlw.go.jp/content/10803000/001721467.pdf
[2] 厚生労働省 医政局「参考資料」同検討会 資料2-3 (2026年7月13日) https://www.mhlw.go.jp/content/10803000/001721468.pdf
[3] 厚生労働省「個別改定項目について」中央社会保険医療協議会 答申 (2026年2月13日) https://www.mhlw.go.jp/content/10808000/001655176.pdf
[4] 厚生労働省「令和8年度診療報酬改定について」 https://www.mhlw.go.jp/stf/newpage_67729.html
[5] Olson KD, et al. Use of Ambient AI Scribes to Reduce Administrative Burden and Professional Burnout. JAMA Network Open. 2025. DOI: 10.1001/jamanetworkopen.2025.34976 https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2839542
[6] Lukac PJ, et al. Ambient AI Scribes in Clinical Practice: A Randomized Trial. NEJM AI. 2025. DOI: 10.1056/AIoa2501000 https://ai.nejm.org/doi/full/10.1056/AIoa2501000
[7] Duggan MJ, et al. Clinician Experiences With Ambient Scribe Technology to Assist With Documentation Burden and Efficiency. JAMA Network Open. 2025. DOI: 10.1001/jamanetworkopen.2024.60637 https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2830383
[8] Tierney AA, et al. Ambient Artificial Intelligence Scribes to Alleviate the Burden of Clinical Documentation. NEJM Catalyst. 2024. DOI: 10.1056/CAT.23.0404 https://catalyst.nejm.org/doi/full/10.1056/CAT.23.0404
[9] Tierney AA, et al. Ambient Artificial Intelligence Scribes: Learnings after 1 Year and over 2.5 Million Uses. NEJM Catalyst. 2025. DOI: 10.1056/CAT.25.0040 https://catalyst.nejm.org/doi/full/10.1056/CAT.25.0040
[10] Liu TL, et al. Does AI-Powered Clinical Documentation Enhance Clinician Efficiency? A Longitudinal Study. NEJM AI. 2024. DOI: 10.1056/AIoa2400659 https://ai.nejm.org/doi/abs/10.1056/AIoa2400659
[11] 国立病院機構 九州がんセンター 生成AIを用いた医療文書作成支援の導入に関する告知 https://kyushu-cc.hosp.go.jp/info/detail.html?id=90
[12] 関連リリース (2026年7月2日) https://prtimes.jp/main/html/rd/p/000000217.000048083.html
[13] 富士フイルム 大腸内視鏡AI診断支援 (CAD EYE) の診療報酬上の評価に関する発表 (2024年6月3日) https://www.fujifilm.com/jp/ja/news/list/11427
ここまでお読みいただき、ありがとうございました。本稿は実装編として、算定要件の分解から、導入の前後に何を測るかの評価設計、そしてAI導入が失敗する典型パターンまでを詳しく扱いました。
制度の全体像をもう一度短い時間で振り返りたいとき、またどなたかに紹介したいときは、無料で読めるnote版（約7,000字・図解中心）が入口として便利です。内容は本稿と対になっています。note版はこちら。
本記事で綴った「AIに臨床の魂を宿す」という想いは、単なる思想の提唱に留まらず、具体的な「臨床現場への実装」へとフェーズを移行しました。
記事を読むだけでなく、実際に手を動かし、安全なガバナンスの下で臨床知を形式知・資産へと変えていくための実践的環境（Cursorvers Library）を公開しています。
その理念に共鳴し、評論家ではなく「実践者」として医療の未来の構築を志向される方は、是非メンバーシップ（無料・有料）への加入をご検討ください。
（もし不具合があれば、お問い合わせフォームからご連絡ください。）
▼ Cursorvers Program Roadmap
https://cursorvers.github.io/cursorvers-edu/services.html#phase01
厚労省の働き方改革の資料ではAIへの言及がゼロである一方、診療報酬の要件では生成AIの活用が「1.2人換算」の鍵になっているという、二つの施策のズレを見事に突いた指摘に深く納得しました。国や行政の縦割りによって現場への提示が遅れているのであれば、まさに書かれている通り「現場が自ら接続を作っていく」という姿勢がこれからの病院経営やDX推進において極めて重要だと感じます。