ヘルスケア・ライフサイエンス

臨床AIはすでに貴組織のEHR、コーディングチェーン、事前承認キュー、創薬パイプラインの内部で稼働しています — しかし、モデルと患者の間に介在すべき安全性・検証・規制文書化のレイヤーは、大半の導入環境において存在していません。Veriprajnaのアプローチは、この欠落したレイヤーをエンジニアリングすることです。すなわち、医療システム、製薬企業、支払者向けに設計された、決定論的な臨床検証、継続的な機器モニタリング、そして監査即応性のあるガバナンスを提供します。

臨床現場ですでに使用されているAIには安全レイヤーが存在しない

Epicの医療提供者基盤の3分の2が、現在GPT-4生成の臨床コンテンツにアクセス可能です。アンビエントスクライブがカルテ記録を下書きし、In Basketの返信が患者へ送信され、MyChartメッセージには自動応答が生成されます。実臨床現場における導入に関する査読付き研究では、 2.9% のAI生成診療要約にハルシネーションや事実誤認が含まれていました — これには不正確な投薬ステータスや誤った処置日などが含まれます。

この数字は一見小さく思えるかもしれませんが、 22.7% の医療提供者がAI要約を信頼して完全なカルテ記録の確認を完全に省略したと報告していることを考慮すると、その重大さが浮き彫りになります。LLMと患者の間の安全レイヤーは、現在のほとんどのEHR統合において存在していません。Epicの CDS Hooks アーキテクチャは、LLMが生成したテキストを患者のアクティブなプロブレムリスト、薬剤リスト、アレルギーリストとリアルタイムで照合・検証するようには設計されていませんでした。それこそが、当社のエンゲージメントが埋めるべき対象としているギャップです — 詳細は 当社の臨床AI安全レイヤーの実動デモをご覧ください。

これは理論上の話ではありません。研究者が単一の偽の検査値を意図的に混入させた臨床症例（ビネット）を用いて主要な6つのLLMをテストしたところ、モデルは最大で 83% の症例において虚偽の情報を反復または詳細化しました。シンプルな軽減プロンプトによって発生率は半減したものの、排除することはできませんでした。AI生成のカルテ記録がコーディング、オーダー、請求に直接送られるワークフローでは、ハルシネーションによる検査値や捏造された投薬歴が、人間の介入が入る前に医療提供チェーン全体に伝播する恐れがあります。

誰も想定していなかった$2.3 billionのコーディング問題

Blue Cross Blue Shieldによる2026年3月の民間保険請求データ分析では、AIを活用したコーディング慣行が医療費における $2.3 billion の増加に関連していることが明らかになりました — $663 million の入院費用および $1.67 billion の外来費用です。これがアップコーディング（過大請求）なのか記録精度の向上なのかという議論は本質を見誤っています。アンビエントスクライブがより多くの臨床詳細を記録したとしても、その詳細が正確であるかを誰も検証しなければ、同じ臨床実態からより重症度の高い請求を生成するための高価な機械を作ってしまったことになります。

医療提供者と支払者の双方が、アンビエントスクライブがコストを押し上げている点に同意していますが、どちらも解決策を持っていません。問題はスクライブとコーダーの間 — すなわち、まだ存在しない検証レイヤー — にあるからです。私たちのアプローチは、その検証レイヤーを構築することです。これはアンビエント記録ツールを置き換えたり、コーディングエンジンと競合したりするのではなく、AI生成のカルテ記録とそれに基づいて動作する下流システムとの間に決定論的な臨床検証を挿入することによって実現されます。このチェックは確率論的ではなく構造的に設計されています：

• この記録された所見は患者の診療録に実際に存在しているか？
• このアセスメント（評価・診断）は文書化されたエビデンスと一致しているか？
• この診療の複雑度レベルは受診データによって裏付けられているか？

これらは既知の臨床的事実に対するルールベースの検証であり、確率的な判断ではありません。

1,451件のFDA承認AI機器とリコールの課題

FDAは 295 件のAI搭載医療機器を2025年単年で承認し（同庁史上最多）、累計総数は 1,451件に達しました。しかし、FDA承認済みのAI機器60件を対象とした調査では、 182件のリコールが判明し、そのほぼ半数が承認から1年以内に発生していました。 TruDI Navigation System では、AI統合後に100件以上の不具合および有害事象が記録されました（導入前は7件）。わずか 5.2% の承認済みAI機器しか有害事象データを一切報告しておらず、これは残る95%の市販後安全性に関して手探り状態であることを意味しています。

​ 2024年12月のPCCP 最終ガイダンスにより、適応型AI医療機器が承認後に新たな申請を行うことなく進化する道が開かれました。しかし、大半のメーカーはPCCP（事前変更管理計画）が要求するモニタリング、検証、文書化のインフラストラクチャを導入する準備が整っていません。私たちのアプローチはそのインフラを構築することです。すなわち、PCCPを単なる申請戦略から運用の現実へと変えるために設計された、継続的モニタリングシステム、性能検証パイプライン、規制文書化フレームワークを提供します。

ガバナンスのギャップ：23%しか枠組みを持たず、78%が導入を計画

わずか 23% の医療システムしか正式なAIガバナンス体制を確立していないにもかかわらず、 78% が今後24か月以内に臨床AIを配備する計画を立てています。規制の対象領域は、大半の医療システムがガバナンス委員会の人員を確保するよりも急速に拡大しています：

• ​ AMA は「AI Governance Toolkit」を以下でリリースしました： 2025年8月。
• ​ Coalition for Health AI (CHAI) はそのブループリント（Blueprint）を Joint Commission と2025年9月に共同ブランド化し、22,000以上の認定組織に向けてガバナンスの期待水準を明示しました。
• ONCのHTI-1規則 は予測的意思決定支援介入に対して31のソース属性を要求し、介入リスク管理慣行の一般開示を義務付けています。
• 第1557条（Section 1557）の 差別禁止規定はAIベースの臨床意思決定ツールにも適用され、 2025年5月 がコンプライアンス期限となっています。
• OCRの AI法執行措置は2025年に 340% 急増しました。

私たちは、ONC、OCR、CMS、Joint Commissionの要件を同時に満たすAIガバナンスプログラムを設計します。このアプローチの詳細は アルゴリズム整合性ガバナンスの最前線に関する当社の調査研究で詳述されています。Epicのアンビエントスクライブ、敗血症予測モデル、患者向けチャットボットを導入している医療システムは、患者データを共有する3つのAIリスクプロファイルを抱えています。これらをベンダー別、部門別、またはコンプライアンス要件別にサイロ化してガバナンスを行うと、組織は重複したポリシー、矛盾するリスク評価、そしてガバナンス委員会が気付く前に規制当局によって発見されるギャップを抱え込むことになります。

製薬AI：173件の臨床プログラム、ゼロ件の承認、現実の検証ギャップ

すでに 173 件を超えるAI創薬プログラムが臨床開発段階にあります（クローズドループAI創薬に関する当社の調査研究を参照）。 Insilico Medicine は、AI創薬に関する業界初の臨床概念実証（PoC）を2025年6月に Nature Medicine 誌で発表しました。 Recursion は長期データで初期の有効性傾向が確認されなかったことを受け、リード候補化合物である REC-994 の開発を2025年5月に中止しました。大手製薬企業はAIパートナーシップに数十億ドル規模の資金をコミットしています — Novo Nordisk–Valo Health ($2.76B)、 Eli Lilly–Isomorphic Labs ($1.75B)、そして Bayer–Recursion ($1.5B) — にもかかわらず、2026年初頭時点でFDAの承認を取得したAI創薬医薬品は存在しません。

製薬AIにおける検証ギャップはモデルの性能ではなく、規制関連の文書化にあります。AIがGxP規制の対象プロセスに関与する場合、すべてのアルゴリズム的意思決定には 21 CFR Part 11 に準拠した監査証跡が不可欠です。FDAによる 2025年1月 のドラフトガイダンスはリスクベースの信頼性評価フレームワークを導入し、 2026年1月 のFDA–EMA共同原則は、目的に対する適合性と堅牢なデータガバナンスを強調しています。私たちのアプローチは、AIモデルの出力と規制当局が実際に審査する文書化フレームワークを結び付ける検証インフラストラクチャを構築することです。具体的には、信頼性評価計画、使用状況（context-of-use）の定義、そしてトレーニングデータから臨床エンドポイントに至るまでのすべてのアルゴリズム的意思決定を追跡する監査証跡を整備します。

支払者（保険者）AIに対する審判の時

CMSは WISeRパイロットプログラム を 2026年1月に開始し、6つの州のメディケア受給者を対象にAIを活用した事前承認のテストを行いました。数か月以内に、医師からは保険給付の否認増加、ピアツーピア審査の待機時間長期化、患者の医療アクセスの遅延が報告されました。このプログラムの財務構造は「削減額」のシェアに基づいてベンダーに報酬を支払う仕組みとなっており、否認に対する直接的なインセンティブを生み出しています。 EFF はベンダーの財務的インセンティブの透明性を求めて訴訟を提起し、民主党議員らはこのパイロットプログラムを廃止する法案を提出しました。一方で、各州議会も独自に動き出しています：

• テキサス州 は、人間の監視（オーバーサイト）を介さない自動的な不利益決定を禁止しています。
• カリフォルニア州のSB 243法 はAIコンパニオンチャットボットを規制しています。
• イリノイ州 および ネバダ州 は、行動保健（メンタルヘルス）分野におけるAIの利用を全面的に禁止しました。

利用管理（utilization management）にAIを配備する支払者にとって、問題は規制が導入されるかどうかではなく、現在審議中のあらゆる規制が要求する監査証跡、臨床的根拠の文書化、そして人間の監視体制の統合を自社システムで実証できるかどうかにあります。私たちは支払者向けAIのためのアルゴリズムコンプライアンスフレームワークを設計し、個々の請求レベルでの決定根拠の文書化、必須の人によるレビューのトリガー統合、そしてCMS、州司法長官、原告側弁護士が将来的に要求する透明性レポートの生成を実現します。

なぜ大手コンサルティングファームではないのか？

Deloitte、Accenture、McKinseyはすべてヘルスケアAIの専門組織（プラクティス）を擁しています。彼らはガバナンスフレームワーク、成熟度アセスメント、戦略ロードマップを作成し、組織の変革管理や経営陣の合意形成を得意としています。しかし、彼らは臨床安全システムを構築することはありません。

貴組織のEpic統合において、CDS Hooks内でAIが生成した推奨投薬内容を患者のアレルギーリストと照合するリアルタイム検証レイヤーが必要となった場合、それは臨床情報学の知見の深さとシステム統合能力の双力を要するエンジニアリング課題となります。大手ファームはその作業を下請けに出しますが、私たちはそれを他社任せにするのではなく、エンゲージメントの中核エンジニアリングとして自ら取り組みます。製薬チームがGxPプロセスにおけるAIモデルに対して21 CFR Part 11準拠の監査証跡を必要とする場合、私たちのエンゲージメントはパイプラインのあるべき姿を説明するPowerPoint資料ではなく、実際に稼働するパイプラインそのものを構築することを目的としてスコープ設定されます。