AIが12ペタバイトの医療データを統合しようとしている。一方で、現場の看護師は患者ケアに費やせる時間が3分の1に過ぎない。この乖隙を放置したままモデルの精度を競っても、何も解決しない。

NIHが進める「70年分の医療データ翻訳」プロジェクト

米国国立衛生研究所（NIH）は現在、過去70年分に蓄積された12ペタバイト超の医療研究データを、AIが読める共通フォーマットに変換する取り組みを進めている。心臓血管研究のFramingham Heart Study（1990年代）と、最近の肺線維症研究の間で「血圧値」の意味が一致するように、LinkMLというデータモデリング言語を用いてFHIR、LOINC、HPOなどの標準規格間マッピングを自動化している。

データだけではない。NIHの研究基準を米国の電子カルテ相互運用規格（USCDI）に対応させる動きも進行中。これが実現すれば、日常診療で生成されるデータが研究レベルの精度で機械可読になる。

バイアスの問題にも踏み込んでいる。未確認の疾患疑いが「正常」とラベリングされ、その傾向が医療アクセス格差のある集団で偏る——こうした構造的バイアスがAIの学習データにそのまま転写されるリスクを指摘する研究は既にNature Medicine誌に掲載されている。

「壊れた基盤の上にAIを重ねる」失敗

だが、データ側の整備が進む一方で、現場の運用基盤は崩壊しかけている。

バンダービルト大学医学部の2025年調査（Journal for Healthcare Quality掲載）が示した数字は衝撃的だ。登録看護師の業務時間のうち、直接患者ケアは34%。残る38%は文書化など間接業務に費やされている。数百のアプリケーションが部門ごとに独立して動き、システム間の連携が設計されていない——これが米国の大手医療機関の現状だ。

ここにLLMベースのAIコパイロットを「上乗せ」しても、事態は改善しない。分散したシステムの上にChatGPTを置いても、情報の孤島は消えない。コピロットが生成する推奨事項の信頼性チェックという、認識されていない人的労働が新たに発生するだけだ。

AIの本番は「土台作り」にある

率直に言えば、医療AIの主戦場はもはやモデルの性能ではない。NIHが取り組むデータ標準化と、医療機関が直面する運用基盤の再構築——この二つが噛み合って初めて、12ペタバイトのデータが「AIの燃料」として機能する。

日本の医療機関も例外ではない。電子カルテのベンダー間互換性、紙とデジタルの混在、診療報酬請求の手作業——これらを解決しない限り、どれほど優れた診断AIを導入しても現場の省力化には繋がらない。

問うべきは「どのAIモデルが最も賢いか」ではなく、「現場のどの非効率をAIで置き換えるか」だ。その問いに答えるには、データの準備よりも基盤の直結が必要なのだ。