米国臨床AIの医療変革——放射線診断・電子カルテ・手術支援の実用展開

はじめに

米国食品医薬品局（FDA）が承認したAI・機械学習（ML）搭載医療機器の総数は、2025年9月末時点で1,356件に達した。そのうち放射線・画像診断分野が1,039件（77%）を占め、AIが医療現場に浸透する主要経路となっていることが示されている。2025年のヘルスケアAI動向報告（Menlo Ventures）によれば、医療機関はAIの商用導入ペースで米国経済全体の約2.2倍の速度で導入を進めており、専門特化型AIツールを活用するプロバイダーの比率は2年前の3%から22%へと急増した。

製薬会社の研究開発プロセスにおけるAI活用についてはAIの創薬革命と製薬業界の再編で詳述した通りだが、本稿が焦点を当てるのはより川下の「臨床現場」——病院の放射線科・救急室・手術室・外来診察室においてAIが実際の診断・治療判断をどう変えているか——である。規制環境の急速な変化、実装上の課題、医療機関のガバナンス体制の整備状況を包括的に分析する。

放射線診断AIの急速な実用化

FDAによる承認急増とその意味

FDA承認AI医療機器1,356件のうち76%が放射線・医療画像分野に集中しているという事実は、画像AIが臨床AIのデファクトスタンダードとなっていることを意味する。mammography（乳がん検診）における悪性病変の自動フラグ付け、肺CTにおける結節検出、X線による骨折・気胸の自動識別などがすでに数百もの施設で稼働している。複数のレベルIトラウマセンターで実施されたパイロットプログラムでは、AIがフラグを立てたX線画像は通常の読影ワークリスト順より平均20〜30分早く放射線科医に読まれることが確認されており、救命上のタイムライン短縮効果が示されている。

2025年2月、Aidocの「CARE1™」基盤モデルがFDA認可を取得した。これはファウンデーションモデル（大規模事前学習モデル）を核とした臨床AIとして世界初のFDA認可事例であり、単一の疾患に特化した従来型アルゴリズムとは異なる複数疾患・複数画像モダリティへの適応可能性を持つ点で注目される。同モデルは放射線科医の読影ワークフローにリアルタイムに統合され、緊急所見を優先的にルーティングするトリアージ機能を提供する。

心臓・神経領域への拡張

放射線AI市場は当初、肺・乳房・骨格系に集中していたが、心臓血管（cardiovascular）および神経（neurology）領域での承認件数が着実に増加している。心電図（ECG）のAI解析による心房細動・QT延長の早期検出、頭部CTにおける出血・梗塞の自動検出ツールは、救急・ICU環境での利用が拡大している。FDA承認一覧（npj Digital Medicine 2025）の分類によれば、介入系AI（単なる情報提供に留まらず診断行為を支援する）のうち95.7%が画像データを主要入力とするが、ECGなどシグナル系データを扱う製品も2.6%を占め、EHRデータ活用型が1.7%と続く。

電子カルテ（EHR）分析と臨床判断支援

大規模言語モデルのEHR統合

EHRデータを活用する臨床判断支援AIは、承認件数では放射線AIに遠く及ばないが、実装インパクトの観点では急速に存在感を高めている。2025年のFDA草案ガイダンス（2025年1月6日公表「AI搭載機器ソフトウェア機能のライフサイクル管理および市販申請推奨事項」）は、EHR連携型AIに対してデータ来歴の追跡、バイアス分析、人間とAIの協働ワークフローの設計、事後的パフォーマンス監視を義務づける方向を示した。この草案は2026年に最終化される見通しである。

大手EHRベンダーのEpic Systemsは「Cognitive Computing」機能として複数のAI予測モデルを組み込み済みであり、敗血症早期警戒、患者転倒リスク、再入院予測、医療費過剰請求検知などのアルゴリズムが主要病院で稼働している。2026年に向けては、LLM（大規模言語モデル）を活用したEHRサマリー自動生成や問診録音の自動転記（Ambient Clinical Intelligence）が複数の大学病院で試験展開されており、外来診察時間の短縮と記録精度の向上が報告されている。

臨床医と患者の「AIと協働」の実態

FDAは一部の臨床判断支援ソフトウェアについて、「医師が独立してその推奨を検証できる」場合は医療機器の定義から除外するという方針を維持しているが、AIが実際の診断行為をどこまで支援するかの境界線は曖昧化しつつある。米国病院協会（AHA）が2025年12月にFDAへ提出した意見書は、AI導入における病院の現実——特に地方・クリティカルアクセス病院が継続的なAIガバナンス体制を構築する人的・財政的能力を持たない可能性——への配慮を求めた。

米国の主要病院システムはAI監視委員会（AI Oversight Committee）を設け、各AIツールの有効性・公平性・安全性を定期的に評価する体制を整備しつつある。しかし標準化された評価フレームワークは未整備であり、施設ごとに実装方針が大きく異なるのが現状である。企業AI導入のガバナンスと生産性向上の実態で示された課題が医療セクターにも直接あてはまる構図といえる。

手術支援ロボットとAIの融合

da Vinciとインテリジェント外科支援

手術ロボットの分野では、Intuitive Surgical（インテューイティブ・サージカル）のda Vinci Xi・SP・5システムが普及の最前線にある。最新世代のda Vinci 5には術前画像をもとに3Dの解剖学的モデルを術野にオーバーレイする機能が搭載され、外科医の空間認識と精度を補助する。AI機能の多くは現時点では「情報提供」に分類されており、自律的な切開・縫合を行うものではないが、手術動作の自動解析による技能評価・研修支援ツールとしても機能し始めている。

完全自律手術ロボットに対するFDAの規制認可は依然として技術的・倫理的に困難とされるが、腹腔鏡手術のトロッカー挿入補助、縫合糸の自動結束、出血検出と吸引のタイミング提示といったサブタスクについては、段階的なAI統合が進んでいる。市場調査機関の推計では、外科AI市場は2025〜2030年の間に年平均30%超の成長が見込まれており、GEヘルスケアやMedtronic、シーメンス・ヘルシニアーズも手術AIソリューションの開発を加速させている。

手術前後のAI活用

手術支援AIは術中だけでなく、術前計画（患者固有の3Dモデリングによる切除・再建計画）と術後回復管理にも拡張されている。FDAは2025年、関節置換後の患者回復を支援するLLMベースのチャットボット「RecovryAI」にBreakthrough Device Designation（画期的医療機器指定）を付与した。生成AIが医療機器として指定された初事例として注目されており、患者の疼痛・可動域・服薬adherenceをモニタリングし、必要に応じて医療チームに通知するシステムとして設計されている。

実装上の課題とリスク

アルゴリズムバイアスと公平性

臨床AIの実装で最も深刻な懸念の一つは、アルゴリズムバイアスによる診断精度の人口集団間格差である。主要な医療画像AIの多くは、白人・男性・大規模学術病院のデータに偏った学習データセットで訓練されている。マイノリティ集団・小規模地方病院・非英語話者の患者に対する精度低下は、健康格差（health equity）を拡大させる可能性があると、複数の学術研究が指摘している。FDAの2025年1月草案ガイダンスは「バイアス分析」を明示的な提出要件として盛り込んでおり、市販後のサブグループ別パフォーマンスモニタリングも求める方向にある。

コスト回収と採用インセンティブ

AIツールの導入コスト回収も依然として大きな障壁である。米国の保険制度（CMS：Centers for Medicare & Medicaid Services）のAI医療機器に対する診療報酬コードは整備が遅れており、多くの病院がAI投資を固定費として計上せざるを得ない状況にある。一部のAIベンダーは「pay-per-read（読影ごと課金）」モデルを提供するが、大規模展開時の費用対効果の実証はまだ不十分である。AHAの意見書は、地方・セーフティネット病院がAIガバナンス体制を整備するためのCMSからの追加支援を要求している。

注意点・展望

臨床AIは今後2〜3年でさらに急速な普及段階に入ると見込まれる。FDAのBreakthrough Device Designationが付与された生成AI医療機器の増加、EHRとのシームレスな統合、大学病院から地域病院へのカスケード普及が主要なドライバーとなる。同時に、規制のアップデート（2025年1月草案ガイダンスの最終化）と診療報酬体系の整備がどの速度で進むかが、普及ペースの規定要因となる。

グローバルなバイオテック・製薬M&Aの波とも連動する形で、臨床AIスタートアップへの大手医療機器・製薬企業によるM&Aが加速する可能性がある。特に放射線AIと創薬AIの融合領域——たとえばCTスキャンから腫瘍マーカーを抽出し治療薬選択を支援するマルチモーダルAI——は、次の投資対象として注目される。

まとめ

米国の臨床AIは、放射線診断AIの1,000件超FDAのFDA承認を起点として、EHR統合・手術支援・患者回復管理へと守備範囲を拡大している。Aidocのファウンデーションモデル認可やRecovryAIのBreakthrough Device Designationは、技術とフレームワークの質的転換点を示す出来事として注目される。医療機関の导入率は2年間で3%から22%へ急増し、AIは「実験的取り組み」から「主流の臨床ツール」へと移行しつつある。

しかし、アルゴリズムバイアス・診療報酬コード未整備・施設間ガバナンス格差という三つの構造的課題が解決されない限り、臨床AIの恩恵は大規模・資金力のある医療機関に集中し、医療格差を拡大させるリスクをはらむ。FDAの規制整備と医療保険制度の診療報酬改定が、次の臨床AI普及フェーズの速度と公平性を決定づける鍵となる。