GoogleのAMIEは診断後が本番──再診をまたいだ治療変更にAIが入るとき、病院は何を聞くべきか

6月 21, 2026

はじめに ── 診断精度の先にある問い

2026年6月17日、Nature(ネイチャー、世界的な科学雑誌)に1本の論文が掲載されました。タイトルは「Towards Conversational AI for Disease Management」。Google ResearchとGoogle DeepMindによる共同研究で、医療AI「AMIE」が診断会話から疾患管理へ進化したことを示すものです。

AMIEはArticulate Medical Intelligence Explorerの略称です。Googleが「診断会話から長期の疾患管理へ」と打ち出した研究医療AIで、Gemini(ジェミニ、Googleの大規模AIモデル)の長文処理能力を活かして、診療ガイドラインと薬剤集を参照しながら治療計画を組み立てます。

1つ場面を想像してみてください。45歳の患者が動悸を訴えて内科を受診します。心電図は正常洞調律、甲状腺機能も正常範囲。初診の段階では「経過観察」が妥当です。ところが2週間後の再診で、患者は「夜中に目が覚める」「仕事中に集中できない」と追加の訴えを持ってきます。不安障害の併存を疑うのか、ホルター心電図を追加するのか、SSRIの処方を検討するのか。この判断は、初診時の鑑別診断の精度とは別の能力を要求します。

ここで問いを立て直します。

医療AIの評価はこれまで「診断を当てられるか」が中心でした。鑑別診断(考えうる病名のリスト)の正確さ、画像の読影精度、問診の網羅性。どれも大切ですが、患者の治療は診断名がついた瞬間に終わりません。

再診で血液検査の値が変わる。薬の副作用が出る。患者が「もう薬を飲みたくない」と言い出す。そのたびに、検査を増やすのか、薬を切り替えるのか、いったん待つのかを決める必要があります。これが管理推論(management reasoning)です。

救急外来でも外来フォローでも、事故はこの「その後」で起きます。AMIEが突きつけたのは、この領域にAIが踏み込んだという事実です。

本稿ではAMIEの構成を技術的に分解し、Nature論文の実験を検証し、専門家の批判を整理したうえで、病院の購買担当が今すぐ用意すべきベンダー向け質問リストを提示します。

第1章: 2つのエージェント構成 ── 対話と推論を分離する理由

AMIEの内部構成は1つのAIモデルではありません。2つの専門エージェントが連携する設計です。

Dialogue Agent(対話エージェント)は、患者との会話を担当します。症状の聞き取り、経過の確認、患者の不安への応答など、リアルタイムで共感的なやりとりを行います。会話の流れを管理し、必要な情報を引き出す役割です。

Mx Agent(Management Reasoning Agent、管理推論エージェント)は、対話エージェントが集めた情報を受け取り、診療ガイドラインと薬剤集を参照しながら、構造化された治療計画を作成します。検査の優先順位、治療選択肢の比較、フォローアップの時期と内容を出力します。

Google Researchの説明を引用すると、「Mx Agentは利用可能な情報(臨床ガイドラインと患者固有のデータを含む)を意図的かつ継続的に分析し、患者の管理を最適化する」とされています。

この分離設計にはエンジニアリング(設計・実装の工学的観点)上の合理性があります。

対話は即応性が求められます。患者が「昨日から頭が痛い」と言った直後に5秒間沈黙するシステムでは、信頼関係が築けません。一方、治療計画の推論は、数百ページのガイドラインを照合し、薬剤の相互作用を確認し、過去の受診歴との整合性を検証する、時間をかけるべき処理です。

この2つを同一のモデルに同時処理させると、応答速度と推論の深さがトレードオフ(一方を取れば他方を犠牲にする関係)になります。分離することで、対話はリアルタイムに、推論は深くと、それぞれの要求に最適化できます。

両エージェントの基盤にはGeminiモデルが使われています。Geminiの長文脈処理(long-context reasoning)により、NICEガイダンス(英国の国立医療技術評価機構が発行する診療指針)やBMJ Best Practice(エビデンスに基づく臨床判断の参照資料)、米英の薬剤集といった大量の参照文書を文脈として保持したまま推論できます。

この「参照文書を丸ごと読み込んで推論する」アプローチは、RAG(Retrieval-Augmented Generation、検索拡張生成)とは異なります。RAGは質問に関連する断片を検索して注入しますが、長文脈処理は文書全体を保持します。断片の切り出しで文脈が失われるリスクが減る一方、処理コストは大きくなります。

実臨床での運用を考えると、この処理コストは無視できません。1件の再診で参照される文書量が数百ページに及ぶ場合、推論1回あたりのAPI呼び出しコストやレイテンシ(応答遅延)が許容範囲に収まるかは、導入時の検証項目になります。

第2章: Nature論文の実験設計 ── 100シナリオ、21名の医師、ブラインド評価

論文の実験を具体的に見ていきます。

実験形式はランダム化ブラインド仮想OSCE(Objective Structured Clinical Examination、客観的臨床能力試験)です。OSCEは医学教育で広く使われる実技試験の形式で、模擬患者を使って臨床能力を評価します。

シナリオは100ケースです。1回の受診で終わるものではなく、再診を含む複数回の受診を模擬しています。初診で「胸が苦しい」と訴えた患者が、2週間後の再診で「薬を飲んだが改善しない」と戻ってくるようなシナリオです。

対象は内科、循環器内科、内分泌科、呼吸器内科、神経内科の5専門科です。外科系、小児科、産婦人科、救急などは含まれていません。この5科に限定されている点は、結果の汎用性を判断するうえで重要です。

比較対象は21名のPCP(Primary Care Physician、初期診療医)です。模擬患者を演じたのは訓練を受けたプロの患者俳優(patient actor)で、実際の患者ではありません。

評価はブラインドで行われました。専門医が、誰の作成した管理計画かを知らされずに評価しています。この設計により、「AIだから高く(または低く)評価する」というバイアスを排除しています。

評価基準は複数の軸で構成されています。

管理推論の全体評価では、AMIEはPCPに対して非劣性(non-inferior)でした。つまり「劣っていない」ことが統計的に示されています。

治療計画の具体性(preciseness)とガイドライン整合では、AMIEがPCPを統計的有意(p < 0.05)に上回りました。

さらに、MXEKF(Management Reasoning Empirical Key Features)という評価枠組みで、優先順位の設定、共有意思決定、選択肢の比較・選択、モニタリングと計画調整、予後予測の5項目が測定されています。

ここで冷静に読む必要があります。「統計的に有意に上回った」のは治療計画の具体性とガイドライン整合です。臨床的正確性(clinical correctness)で明確な差があったわけではありません。この区別は、後述する専門家の批判で重要になります。

第3章: RxQA ── 薬剤判断を定量化する初の標準ベンチマーク

論文と同時に発表されたRxQAは、医療AIの薬剤推論能力を測る初の標準化されたベンチマークです。

構成は600問の多肢選択問題です。出典はOpenFDA(米国食品医薬品局の公開薬剤データベース)と、BNF(British National Formulary、英国国立処方集)です。問題は米英それぞれ4名、計8名の専門認定薬剤師(board-certified pharmacists)が検証しています。

出題範囲は5領域にわたります。適応症(この薬は何に使うか)、禁忌(この薬を使ってはいけない条件)、用量(どのくらいの量を投与するか)、副作用(起こりうる望ましくない反応)、薬物相互作用(飲み合わせ)です。

AMIEは難易度の高い問題群でPCPを上回りました。特に禁忌と薬物相互作用の領域で差が大きく、複数の薬剤が関係する複雑な判断ほどAMIEの正答率が相対的に高い傾向が見られます。ただし、これは「AMIEが薬剤師の代わりになる」という主張ではありません。

RxQAの本質的な貢献は、薬剤判断の評価を標準化したことです。これまで医療AIベンダーが「薬剤チェック機能あり」と謳っても、その能力を横断的に比較する共通指標がありませんでした。RxQAはその物差しを提供しました。

病院の調達担当にとって、これは実務的な意味を持ちます。ベンダーが薬剤判断機能を持つAIを提案してきたとき、「RxQAでの正答率を教えてください」と聞けるようになります。正答率だけで採否を決めるべきではありませんが、比較の出発点になります。

もう1つ注意すべき点があります。RxQAは米英の薬剤集に基づいています。日本のPMDA(独立行政法人医薬品医療機器総合機構)が管理する添付文書情報や、日本薬局方との対応関係は確認されていません。日本で同様のベンチマークを使う場合、薬剤集の法的位置づけが異なることを前提にする必要があります。

第4章: 専門家の反応 ── 7名の研究者が見た限界

Science Media Centre(英国の科学報道支援機関)に寄せられた専門家7名の反応を整理します。称賛と懸念の両方がありますが、全員に共通するのは「実臨床への移行はまだ先」という認識です。

オックスフォード大学精神医学部門のDr. Dominic Oliverは、精神科領域に焦点を当てています。精神疾患では患者の主観的な体験の聴取が核心であり、テキストのみの対話では表情、声のトーン、行動の観察といった非言語情報が完全に欠落します。「シミュレーションは実臨床の全幅の複雑さを再現できない」と指摘しています。

エディンバラ大学のProf. Julie Jackoは、結果の解釈に慎重な姿勢を示しています。AMIEの改善が見られたのは「計画の具体性と完全性であり、臨床的正確性における明確な差ではない」と述べました。つまり、計画書の書き方が丁寧だということと、その計画が臨床的に正しいかは別の問題だということです。

バルセロナスーパーコンピューティングセンターのAlfonso Valencia教授は、ガイドライン整合を重視した評価設計そのものに疑問を呈しています。医師はガイドラインを踏まえつつも、目の前の患者に合わせて逸脱する判断をします。ガイドライン整合が高いことが必ずしも良い医療を意味するわけではないという視点です。

シェフィールド大学のDr. Midhun Parakkal Unniは、電子健康記録(EHR)との統合がない実験環境の限界を指摘しています。実臨床では過去の検査値、アレルギー歴、他科の処方がカルテに蓄積されており、それらを参照せずに管理計画を立てることは通常ありません。

オックスフォード大学のProf. Catherine Popeは医療社会学の視点から、患者と医師の関係性における信頼の構築がAIとの対話で可能かという根本的な問いを提起しています。

これら専門家の指摘をまとめると、AMIEの限界は5つに整理できます。

テキスト限定。非言語情報の欠如は特に精神科、小児科、高齢者医療で深刻です。

模擬環境。プロの俳優が演じるシナリオは整理されており、実患者のまとまりのない訴えを再現しません。

5専門科のみ。全科を網羅する評価ではありません。

電子カルテなし。過去の診療履歴を参照できない環境での評価です。

単一ガイドライン体系。NICEとBMJが中心で、他国のガイドラインとの整合は未検証です。

日本の文脈で補足すると、日本の診療ガイドラインは学会ごとに策定・更新されており、NICEのように一元的な機関が管理する体系とは構造が異なります。ガイドライン間の推奨が競合する場面(例えば腎臓内科学会と高血圧学会で降圧目標が微妙に異なるケース)への対応は、日本固有の課題です。

第5章: 2つの前例 ── AMIEの進化の系譜

AMIEは突然生まれたわけではありません。2つの先行論文があり、段階的に能力を拡張してきました。この3つの論文を時系列で追うと、Googleが医療AIをどこへ向かわせようとしているかが見えてきます。

2025年4月にNatureに掲載された最初の論文「Towards conversational diagnostic artificial intelligence」は、診断対話に焦点を当てたものでした。自己対局(self-play)による学習環境を構築し、鑑別診断の精度でPCPと比較しています。この時点でのAMIEは「1回の問診で鑑別診断リストを出す」という能力の実証が主眼でした。評価軸は診断精度と問診品質の2つで、治療計画は評価対象に含まれていません。

2026年にNature Medicineに掲載された第2の論文「Advancing conversational diagnostic AI with multimodal reasoning」では、テキストに加えて画像(皮膚の写真など)を取り込むマルチモーダル対話に拡張しました。皮膚科領域では視覚情報が鑑別に不可欠です。「患者が写真を見せながら説明する」という実臨床に近い場面を模擬したことで、テキスト限定という第1論文の制約を一部解消しています。

そして今回の第3の論文で、1回きりの診断から複数回受診の疾患管理へと評価軸が拡張されました。「診断を当てる」から「診断後の治療方針を組み立て、再診で調整する」へ、評価の難易度を1段上げた形です。同時にRxQAという薬剤判断ベンチマークを導入し、管理推論に不可欠な薬剤知識の定量評価を可能にしました。

この3段階の進化は、Googleが医療AIの研究を「問診で診断を当てる」から「長期にわたって病気を管理する」へ、計画的に移行させていることを示しています。各論文が前の論文の限界を認識し、次の研究で1つずつ克服するアプローチは、製品化に向けたロードマップの一部と読むのが自然です。

注目すべきは、3論文を通じて一貫して解消されていない制約が2つあることです。電子カルテとの統合がないことと、実患者を対象としていないこと。Googleは実患者研究を開始したと公表していますが、成果はまだ公開されていません。

第6章: 日本の病院購買が直面する3つの新しい問い

AMIEは製品ではありませんが、同じ設計思想を持つ製品は遠からずベンダーから提案されます。そのとき、「診断精度は何%ですか」だけでは足りない問いが3つあります。

1つ目。再診をまたいだ治療変更の根拠は追跡可能か。管理推論を謳うAIが治療方針の変更を提案したとき、その根拠がカルテ上で後から確認できなければ、医療事故調査や患者への説明ができません。「AIがそう言ったから」は医療安全の答えにはなりません。

実際の運用場面を想定します。糖尿病患者のHbA1c(ヘモグロビンA1c、過去1-2か月の血糖コントロール指標)が7.5%から8.2%に悪化した再診で、AIがメトホルミンの増量ではなくSGLT2阻害薬の追加を提案したとします。この提案の根拠が「日本糖尿病学会ガイドライン2024のp.42、心血管リスクが高い場合の推奨」のように記録され、カルテ上で追跡できる状態でなければ、後日の監査や患者からの問い合わせに対応できません。

2つ目。参照ガイドラインの更新頻度とバージョン管理はどうなっているか。NICEガイダンスは頻繁に改訂されます。薬剤集も同様です。半年前のガイドラインを参照した提案は、最新のエビデンスと矛盾する可能性があります。どのバージョンを、いつ時点で参照したかが記録されていなければ、推論の再現性がありません。

病院の情報システム部門は、ガイドライン更新のたびにAIの参照文書が更新されるのか、その更新プロセスに検証期間が設けられているのかを確認すべきです。ガイドラインの改訂から反映までの所要日数と、改訂内容の妥当性を誰がレビューするかは、SLA(サービスレベル合意)に明記されるべき項目です。

3つ目。AIの提案を最終承認するのは誰か、そのフローは明文化されているか。AMIEの実験では専門医がブラインド評価しましたが、実臨床では「AIの提案を見た医師が承認する」というワークフローが必要です。承認フローが曖昧なまま運用を始めると、責任の所在が後から破綻します。

導入前に確認すべきは、AIの提案を主治医が承認する画面がシステム上に存在するか、承認操作がタイムスタンプ付きで記録されるか、そして提案を却下した場合にその理由を記録する仕組みがあるかの3点です。

ベンダー提案を受けたら、最初に聞く一言はこれでいいのです。「再診をまたいだ治療変更の根拠を、誰が、どこで、いつ確認できますか」。

第7章: RxQAが変える調達交渉 ── 薬剤判断の物差しを持つ意味

RxQAの登場は、医療AI調達の交渉を変えます。

これまで、薬剤チェック機能を持つAIの評価は、ベンダーが用意したデモシナリオに依存していました。ベンダーが得意なケースを見せることは容易ですが、苦手なケースを自ら提示するインセンティブはありません。

RxQAは600問の標準化されたテストセットを提供します。適応症、禁忌、用量、副作用、飲み合わせという5領域をカバーし、認定薬剤師が検証しています。これにより、ベンダー横断的な比較が理論上は可能になります。

ただし、3つの留意点があります。

米英の薬剤集に基づいているため、日本固有の承認情報(PMDAの添付文書)との対応は未検証です。日本版RxQAの開発が待たれますが、現時点では存在しません。日本では、PMDAが管理する医療用医薬品の添付文書情報がデジタル化されており、薬剤情報の電子的参照基盤は整っています。しかし、それをAIの能力評価に使える形式のベンチマークに落とし込んだものは、学会からも規制当局からもまだ提示されていません。病院が独自に評価セットを作成する場合、院内の薬剤部と医療情報部が連携し、自院の処方頻度上位100薬剤を対象にした禁忌・相互作用チェックリストを作ることが、現実的な出発点になります。

正答率だけで判断してはいけません。600問中の正答率が高くても、臨床上クリティカルな禁忌問題で誤答していれば、安全性の観点からは問題です。問題カテゴリ別の正答率を確認する必要があります。

RxQAは多肢選択式です。実臨床での薬剤判断は、患者の腎機能、体重、併用薬、患者の希望など複合的な要素を考慮する自由回答です。標準テストの成績と臨床実装の能力は同一ではありません。

第8章: 「ガイドライン整合が高い」は良い医療か

専門家の批判の中で、最も構造的な問いがあります。ガイドライン整合が高いことは、必ずしも良い医療を意味するのかという問題です。

ガイドラインは、大規模な臨床試験のエビデンスを統合して作成された推奨事項です。「平均的な患者」に対する「標準的な対応」を示す点で、医療の質の底上げに貢献しています。

しかし、目の前の患者は平均的ではありません。

80歳の患者にガイドライン通りの3剤併用療法を処方したら、腎機能が低下して入院に至るケース。がん治療のガイドラインに従って手術を勧めたが、患者は「残りの時間を家で過ごしたい」と希望するケース。これらでは、ガイドラインからの逸脱が正しい判断です。

さらに具体的な場面を挙げます。心房細動の患者に対する抗凝固療法のガイドラインでは、CHA2DS2-VAScスコア(脳卒中リスクの評価指標)が2点以上なら抗凝固薬が推奨されています。しかし、認知症が進行して服薬管理ができない独居高齢者の場合、転倒による出血リスクとの天秤で、あえて抗凝固薬を処方しないという臨床判断は珍しくありません。この判断をAIが「ガイドライン逸脱」としてフラグを立て、医師に再考を促すのか。それとも患者背景を考慮して逸脱を許容するのか。この挙動の違いが、現場の信頼を決めます。

Valencia教授がこの点を批判したのは、ガイドライン整合を評価の主軸に据えると、AIが「教科書通りの優等生」に最適化されてしまうからです。実臨床で価値を発揮するAIは、ガイドラインを熟知したうえで「この患者にはガイドラインの適用を修正すべき理由がある」と提示できるシステムです。

AMIEの評価でガイドライン整合が高かったことは、AMIEの強みであると同時に、潜在的な弱みでもあります。ガイドラインに忠実であるがゆえに、個別化が必要な場面で硬直的な提案をする可能性があるからです。

日本の臨床現場では、診療報酬の査定においてもガイドラインとの整合が参照されます。レセプト(診療報酬明細書)審査で「ガイドラインと異なる処方」が疑義として返戻されることがあるため、日本の医師はガイドライン逸脱の根拠を記録する習慣を持っています。AIが提案する治療計画がガイドライン準拠であることは、レセプト審査の観点からは望ましい面もあります。問題は、患者個別の事情でガイドラインを外れるべき場面を、AIが認識できるかどうかです。

この問題を病院が評価するには、ベンダーに対して「ガイドラインからの逸脱が適切な場面で、AIはどう振る舞うか」を確認する必要があります。テストケースとして、多剤併用の高齢患者、終末期の意思決定、ガイドライン間で推奨が競合する場面の3類型を用意し、AIの応答を確認することを推奨します。

FAQ

Q1. AMIEは今すぐ使えますか?

A. 使えません。AMIEはGoogleの研究プロジェクトであり、一般に提供される製品ではありません。論文でも実臨床への移行には追加研究が必要と明記されています。Googleは実患者を対象とした全国規模の研究を開始していますが、製品化の時期は公表されていません。

Q2. 日本の病院に直接関係しますか?

A. 現時点では直接的な関係はありません。しかし、AMIEが示した「管理推論」という評価軸と、RxQAという薬剤判断ベンチマークは、今後の医療AI調達基準の参照点になります。ベンダーが類似の機能を提案してきたとき、何を聞くべきかを準備する意味があります。

Q3. AMIEは医師を置き換えますか?

A. 論文はその主張をしていません。Science Media Centreに意見を寄せた専門家は一様に、「AIは臨床医の意思決定を支援する役割であり、置き換えではない」と強調しています。

Q4. Geminiモデルのどのバージョンが使われていますか?

A. 論文では「Geminiモデルファミリー」と記載されており、具体的なバージョン(Gemini Ultra、Pro、Nanoなど)は公開されていません。

Q5. 前作の診断AMIEとの違いは何ですか?

A. 最大の違いは評価軸です。前作は1回きりの診断対話における鑑別診断の精度を評価しました。今回は複数回受診をまたいだ疾患管理の質を評価しています。また、RxQAという薬剤判断ベンチマークが新たに導入されました。

【まとめ】

AMIEのNature論文は、医療AIの評価軸を「診断を当てるか」から「病気をどう管理するか」へ動かしました。

2つのエージェント構成(対話と推論の分離)、RxQA(薬剤判断の標準ベンチマーク)、100シナリオの複数回受診比較。技術的な進歩は確かです。

一方で、テキスト限定、模擬環境、5専門科のみ、電子カルテなし、単一ガイドライン体系という制約は、実臨床への距離を示しています。7名の専門家が一様に「まだ先」と言っています。

これは導入の合図ではありません。購買側の質問票を作り直す合図です。「診断精度は何%ですか」の隣に、「再診をまたいだ管理推論の根拠は追跡できますか」「ガイドラインから逸脱すべき場面でどう振る舞いますか」「薬剤判断のRxQAスコアを領域別に提示できますか」という問いを並べる。その準備が、今この論文を読む意味です。

▼ Cursorvers Program Roadmap

『医療✕AI』をテーマに発信しております。最新投稿を見逃さないよう、是非登録をお願いいたします。

『医療×AI』で発信しています。最新情報を見逃さないように登録をお願いいたします。

note版もあります

この記事のコンパクト版をnoteでも公開しています。要点だけサクッと読みたい方はこちらをどうぞ。

〖Google AMIE 徹底解剖〗診断AIから「治療を続けるAI」へ──Nature論文が突きつける病院購買の新しい問い｜note

Masayuki Otawara MD, PhD｜医療AI

このポストについてのディスカッション

もっと続けますか？