グラウンデッドAIの臨床的要請:ヘルスケアコミュニケーションにおけるLLMラッパーの先へ

ヘルスケア業界は、臨床医の燃え尽きを緩和するという緊急の必要性と、生成人工知能の急速かつしばしば検証不十分な導入とが衝突する、危うい岐路に立っている。プライマリケア医（PCP）の事務負担は臨界点に達しており、一部の臨床医は患者ポータルのメッセージ対応だけで月平均10時間を費やしている——この業務は従来、請求対象外であり、職業的疲弊の主因となってきた。¹ これに対し、患者コミュニケーションを自動化するための大規模言語モデル（LLM）の統合は、革命的な効率向上として歓迎されてきた。しかし、2024年4月にThe Lancet Digital Healthに掲載された画期的な横断的シミュレーション研究——ハーバード・メディカル・スクール、イェール・スクール・オブ・メディスン、ウィスコンシン大学の研究者らによるもの——が、このアプローチの構造的脆弱性を明らかにした。¹ 同研究は、生成AIが認知的作業負荷の主観的軽減に大きく寄与する一方で、既存の「ヒューマン・イン・ザ・ループ」の安全策ではしばしば捕捉できない深刻な患者安全リスクを導入することを示した。³

Veriprajnaが作成した本ホワイトペーパーは、現行業界の「LLMラッパー」——本質的にユーザーデータを汎用モデルへ最小限の臨床的根拠付けのみで渡すアプリケーション——への依存が、臨床ケアという高リスク環境には不十分であると論じる。カリフォルニア州議会法案3030（AB 3030）が2025年1月から患者コミュニケーションにおけるAI開示を義務付ける準備が進むなか、実験的自動化の時代は、深いエビデンスに基づくAIエンジニアリングへと移行しなければならない。⁶ 真の臨床安全には、検索拡張生成（RAG）、医療ナレッジグラフ、および厳格な敵対的レッドチーミングへのアーキテクチャ上の転換が必要である。

フォレンジックなエビデンス:2024年4月のLancet所見の分析

Lancet研究は、シミュレーションされた臨床環境における生成AIの、今日までで最も厳格な評価の一つである。研究者らは、シミュレーション電子健康記録（EHR）プラットフォーム内で156件の患者ポータル・メッセージへの回答草案作成におけるGPT-4の性能を評価した。¹ 結果が示すのは二重の物語である。一つは生産性への巨大な可能性、もう一つは破局的リスクである。

AIによる危害と医師の監視に関する統計的内訳

同研究の定量的所見は、深い臨床的根拠付けなしに用いられたLLMが、極めて説得力がありながら医学的に危険なコンテンツを生成しうることを示している。156件のAI生成草案のうち、7.1%が患者に重度の危害リスクをもたらすと分類された。¹ 最も憂慮すべきは、回答の0.6%——具体的にはシミュレーション中の1件——が直接的な死亡リスクをもたらしたことである。¹ これらの有害な出力は、典型的にはモデルが臨床的緊急性を認識できなかったこと、あるいは時代遅れで不正確な医学的助言を提供する傾向に起因していた。³

AI性能とリスクの指標	統計値	出典
重度危害リスク（未編集のAI草案）	7.1%	4
直接的死亡リスク（未編集のAI草案）	0.6%	4
医師の同意:AIが認知的作業負荷を軽減した	80%	3
AIツール性能に対する医師の信頼	90%	3
医師が見逃した誤った草案の平均割合	66.6%	3
完全に未編集のまま提出された誤った草案	35% – 45%	3
誤った草案が見逃される可能性（p値）	< 0.001	3

これらの数値の臨床的意義は、レビューした医師の成績と並べたときに一層際立つ。同研究では、開業中のPCP 20名がAI生成回答をレビューした。専門性にもかかわらず、これらの臨床医は意図的に誤った4件の草案のうち平均2.67件を見逃した。³ 20名中、誤った4件のメッセージをすべて特定し十分に対応できた参加者はわずか1名であった。³ この乖離は、「ドクター・イン・ザ・ループ」モデルにおける根本的な心理的脆弱性——自動化バイアス——を浮き彫りにする。

失敗のメカニズム:自動化バイアスとハルシネーション

自動化バイアスは、人間のオペレーターが自動化された提案に過度に依存し、自らの作業や人間の同僚の作業に対して払うであろう同水準の批判的精査をしばしば怠るときに生じる。⁵ Lancetシミュレーションでは、GPT-4草案の高い言語品質と共感的なトーンが、誤った安心感を生み出した。¹ 医師は重大な誤りを見逃していたにもかかわらず、ツールの性能に対して90%の信頼レベルを報告した。³

誤り自体は単なる誤字ではなく、臨床推論における実質的な失敗であった。これらの「ハルシネーション」には、医学情報の捏造、時代遅れのプロトコルの使用、そして最も重大には、患者状況の「急性度」を評価できなかったことが含まれた。³ 例えば、「死亡リスク」と分類された事例は、AIが生命を脅かす症状に対して直ちに救急受診するよう患者に指示せず、標準的で非緊急の応答を提供したために発生した。¹

規制の進化:カリフォルニア州AB 3030と透明性の義務

生成AIの技術的リスクが定量化可能になるにつれ、立法機関は患者を保護する枠組みの制定を始めている。2024年9月に成立したカリフォルニア州のAB 3030は、ヘルスケアAIにおける義務的透明性への重要な転換を示す。⁷

2025年に向けたコンプライアンス要件

2025年1月1日発効のAB 3030は、すべての医療機関、クリニック、および医師の診療所に対し、生成AIが「患者の臨床情報」を伝達するために用いられる場合には必ず患者へ通知することを義務付ける。⁶ これには患者の健康状態に関するあらゆる情報が含まれ、予約スケジューリングや請求などの事務作業は除外される。⁶

コミュニケーション媒体	AB 3030に基づく通知基準	出典
書面（手紙、電子メール）	各コミュニケーションの冒頭に免責事項を目立つ形で表示	6
オンライン（チャットベース、遠隔医療）	やり取り全体を通じて免責事項を目立つ形で表示	6
音声（ボイスメール、通話）	開始時と終了時の双方で口頭の免責事項を提供	6
動画コミュニケーション	やり取り全体を通じて免責事項を目立つ形で表示	6

単なる開示を超えて、同法は患者に対し、人間のヘルスケア提供者または適切な担当者への連絡方法についての明確な指示を提供することを義務付ける。⁷ これらの規定に違反した場合、医療機関は罰金および免許に関する措置の対象となり、個人の医師は医療免許に対する懲戒処分に直面しうる。⁹

「ヒューマン・イン・ザ・ループ」の免除とその含意

AB 3030の重要な条項は、AI生成コミュニケーションが免許または認定を受けた人間のヘルスケア提供者によって「読まれ、レビューされた」場合には、免責事項および指示の要件が適用されないと定めている。⁶ 表面上、これは医療システムが患者への使用開示なしにAI起草ツールを使い続ける道を開くように見える。

しかし、Lancet研究はこの免除に対する壊滅的な反論を示す。臨床医が自動化バイアスにより誤りの66%を見逃すのであれば、「読まれ、レビューされた」基準は、高い臨床リスクを維持したまま虚偽のコンプライアンス感を与えうる。¹ Veriprajnaは、人間によるレビューが提供する法的・倫理的な「セーフハーバー」は、受動的な受け入れを積極的に抑止し、レビュー担当者がハルシネーションを特定するために必要な文脈を提供する技術によってそのレビューが支えられている場合にのみ有効であると主張する。

「LLMラッパー」モデルの限界

現行のAIヘルスケアスタートアップに広く見られるアプローチは「ラッパー」——EHRシステムと商用LLM API（OpenAIのGPT-4やGoogleのGeminiなど）とのやり取りを仲介する薄いソフトウェア層——の展開である。これらのラッパーは迅速に開発できる一方で、臨床意思決定支援には不適切な複数の根本的欠陥を継承する。

自己回帰的推論のギャップ

標準的なLLMは自己回帰的である。医学の構造的理解ではなく統計的確率に基づいて次のトークン（単語またはサブワード）を予測する。⁸ この「トークンレベルの予測」には、医学に必要な「概念レベルの推論」が欠けている。¹³ 放射線科や腫瘍学のような専門領域では、LLMはしばしば、ニュアンスのある診断解釈に不可欠な長距離依存関係と複雑な意味関係を捉えられない。¹³

知識カットオフと文脈的盲目

公開版のLLMは固定された知識カットオフを持つ静的データセットで訓練されており、外部データ統合なしには最新の臨床ガイドラインや患者の最新の検査結果を参照できない。¹⁴ さらに、ラッパー型システムはしばしばマルチモーダルデータ——X線、波形（ECG）、ゲノムプロファイルなど——を統合する能力を欠き、複雑な医療状況に必要な重要な詳細を見落とす「ジェネラリスト」回答をもたらす。¹⁵

セキュリティとHIPAAコンプライアンス

多くの汎用LLMインターフェースは本質的にHIPAA準拠ではなく、特定の事業提携契約（BAA）と厳格なデータマスキングプロトコルなしに患者データとともに用いることは、深刻なプライバシーリスクを生む。¹⁵ ラッパー開発者はしばしば「データポイズニング」や「プロンプトインジェクション」の脆弱性の深さを見落とし、敵対的入力がモデルを騙して機微な内部文脈や患者データを漏洩させる可能性がある。¹⁶

ディープAIのアーキテクチャソリューション:Veriprajnaフレームワーク

ラッパーモデルを超えるには、臨床安全を第一のアーキテクチャ制約として、AIソリューションを一から構築しなければならない。これは純粋に確率的なモデルから、根拠付けされたハイブリッドシステムへの転換を意味する。

ヘルスケアにおける検索拡張生成（RAG）

検索拡張生成（RAG）は、応答を生成する前にモデルが参照すべき「真実の源」を提供することで、ハルシネーション問題を緩和する。¹⁴ RAGベースのシステムでは、AIはまず検証済みコーパス——患者の臨床ノート、査読済み医学雑誌、機関ガイドラインなど——から関連文書を検索し、その後この検索情報に条件付けて応答を生成する。²⁰

RAGコンポーネント	臨床安全における機能	スタンドアロンLLMに対する利点
疎検索器（BM25）	特定の薬剤やコードに対する厳密なキーワード照合	客観的データに対する高い精度
密検索器（ニューラル）	複雑な症状と同義語に対する意味的照合	テキストを超えた医療意図の捕捉
RAGプロンプティング	LLMを「提供された文脈のみを使用」するよう制約	ハルシネーションの大幅な削減
検証済み引用	AIの各記述をソース文書へ紐付け	臨床医のレビューと信頼の強化

医療ナレッジグラフとNeo4j統合

臨床的根拠付けへの最も洗練されたアプローチは、医療ナレッジグラフ（KG）の利用である。これらのグラフは、臨床知識をテキストの文字列ではなく、相互に関連する概念のネットワークとして表現する。²¹ 例えば、KGは特定の薬剤とその作用機序、禁忌、腎機能障害患者における典型的用量との関係を明示的にモデル化できる。

MediGRAF（Medical Graph Retrieval Augmented Framework）のようなシステムは、Neo4jを用いてText2Cypher機能——自然言語を精密なグラフクエリへ変換する——と、ナラティブ検索のためのベクトル埋め込みを組み合わせる。²² これによりAIは「患者の完全なジャーニー」を横断し、複雑な推論に対する高い安全基準を維持しつつ、事実クエリ結果について100%の再現率を達成できる。²²

概念レベルモデリング（LCM）対トークンレベル予測

将来に備えた臨床AIは、大規模概念モデル（LCM）へと移行しなければならない。トークンを処理するLLMとは異なり、LCMはアイデアと階層的推論のレベルで動作する。¹³

特徴	大規模言語モデル（LLM）	大規模概念モデル（LCM）
抽象化のレベル	トークンレベル予測（単語ごと）	概念レベル予測（アイデアごと）
推論能力	主に局所的予測。論理を欠く	明示的な階層的推論／計画
表現	言語固有のトークン	言語非依存の文埋め込み
臨床的有用性	言語的ハルシネーションのリスクが高い	構造的推論に最適化

検証と安全性テスト:新たな標準

従来のソフトウェアテストは生成AIには不十分である。エンタープライズグレードのソリューションには、敵対的テストとベンチマーク評価の継続的サイクルが必要である。

Med-HALTと臨床ベンチマーク

Med-HALT（Medical Domain Hallucination Test）は、ヘルスケアLLMにおけるハルシネーションを特定するために特化して設計された多国籍ベンチマークである。²³ これは、偽信頼テスト——モデルがランダムに提示された回答を評価するよう挑戦される——や、偽質問テスト——モデルが無意味または捏造された医学クエリを識別できるかを判定する——といった推論ハルシネーションテスト（RHT）を用いる。²³

さらに研究は、MedGemmaのような「医療特化」モデル（一部のテストでわずか28%–61%の精度）が、Gemini-2.⁵ Proのようなより広範な推論モデルに比べて劣ることを示しており、安全性は「大規模事前学習中に育成された洗練された推論能力」から生じ、単なるドメイン特化のファインチューニングからではないことを強調している。²⁴

安全性とセキュリティのための自動レッドチーミング

レッドチーミングは、デプロイ前に故障モードを特定するために敵対的行動をシミュレートすることを含む。¹⁹ ヘルスケアにおいては、以下を含む。

1.​ 直接的敵対的プロービング:システム指示を上書きし、不安全な医学的助言を生成させようと試みる。¹⁹

2.​ 機微データ抽出:間接的な質問やプロンプトインジェクションを通じてPHIを漏洩するかをプロービングする。²⁶

3.​ ジェイルブレイクパターン:ロールプレイや再フレーミングを用いてコンテンツ制限と臨床ガードレールを迂回する。¹⁹

責任と変化するケアの標準

AIの臨床実践への統合は技術的課題であるだけでなく、法的課題でもある。医療過誤訴訟における中心的な問いは、医師が「ケアの標準」——同様の状況において合理的な医療提供者が提供するであろうケア——に従ったかどうかである。²⁷

AI過失のABCD

AIが「診察室の新しい同僚」となるにつれ、専門的責任の法的定義は進化している。²⁹

●​ 義務（Duty）:提供者はAIツールを適切に用いる義務を負う。誤りを防げたはずの検証済みAIツールを用いなかったことは、やがて義務違反とみなされうる。²⁹

●​ 違反（Breach）:AIシステムがモデルの不透明性や不正確なデータにより危害につながる推奨を行い、医師がそれを盲信して受け入れた場合、義務違反と認定されうる。³⁰

●​ 因果関係（Causation）:一部のモデルの「ブラックボックス」性により、AIの出力と患者危害との明確な因果リンクを確立することは困難であり、意思決定プロセスの徹底的な調査が必要となる。³⁰

●​ 損害（Damages）:患者は実際の危害を被っていなければならない。遅延診断や不均等なトリアージにつながるアルゴリズムバイアスは、裁判所が現在認識しつつある重大な危害源である。³⁰

保険とモデルドリフト

「モデルドリフト」または「モデル崩壊」の現象——AIが自らの出力や新規データで再訓練されるにつれ性能が経時的に低下すること——は、過誤保険にとって独自の課題をもたらす。³³ 新しい保険商品は、AIハルシネーションや故障したチャットボットによる法的請求の補償を始めているが、通常は上限が低く、人間による監視の文書化された証拠を要求する。³³ 医療システムにとって、使用したモデルのバージョンとそれが辿った具体的な推論ステップを示す監査ログを生成できることは、過誤訴訟における防御に不可欠である。²⁷

倫理的考察:人間とAIの協働

倫理的なヘルスケアAIは、患者の主体性と臨床医の自律性を優先しなければならない。目標は人間の相互作用を自動化することではなく、それを強化することである。

透明性と患者満足度

研究によれば、患者はAIメッセージの共感と詳細を評価する一方で、AIが関与していたと知ると満足度評価はわずかに低下する。¹ これは患者における「逆自動化バイアス」を浮き彫りにする。彼らは臨床関係と、自分の臨床医が個人的にケアに関与しているという信念を重視する。¹ したがって、AIは定型的で構造化されたタスクの処理に用いられ、臨床医は技術が再現できないニュアンスのある人間対人間の相互作用に集中できるようにしなければならない。

バイアス軽減と公平性

アルゴリズムは訓練データの反映であり、そのデータはしばしば過小代表グループに対する構造的バイアスを含む。¹⁵ Veriprajnaは「EquityGuard」システム——臨床医に届く前にAI出力へ事後的公平性制約を適用する二段階のデバイアス処理——を提唱する。¹⁶ これにより、治験マッチングの推奨やトリアージスコアが人口統計ラベルによって歪められないことが確保される。

結論:Veriprajnaの戦略ロードマップ

2024年4月のLancet研究がエビデンスを提供し、AB 3030が法的推進力を提供する。深い専門的エンジニアリングなしには、ヘルスケアにおけるAIの現行軌跡は持続不可能である。³ 医療システムとソフトウェア提供者にとって、前進の道は実験的パイロットプログラムからエンタープライズグレードのAIエコシステムへの移行を要する。

1.​ ラッパー依存の排除:単純なAPI統合から脱却する。LLMを持続的で検証済みの医療ナレッジグラフに根拠付けるハイブリッドRAGアーキテクチャへ投資する。²²

2.​ 堅牢なレッドチーミングの実装:安全性は後付けであってはならない。自動レッドチーミングエージェントが、ハルシネーション、データ漏洩、臨床的不正確さを毎日プロービングしなければならない。¹⁹

3.​ 開示義務への準備:意味のある人間レビューを促進するシステムを設計し、臨床医がAI草案の検証を文書化し、効率を失わずにAB 3030のような法令に準拠できるようにする。⁷

4.​ 生成の華やかさより臨床的根拠付けを優先:医学において、正確性こそが唯一重要な指標である。システムはトークンレベルの確率ではなく概念レベルの推論に最適化されなければならない。¹³

これらの原則を採用することで、ヘルスケア業界は人工知能の変革力を活用し、医師の燃え尽き危機を解決しつつ、医学の最も神聖な戒律——Primum non nocere（まず害をなすなかれ）——を堅持できる。Veriprajnaはこの移行を主導する準備ができており、ラッパーを超えて、ヘルスケアの未来が求めるディープAIソリューションを提供する。

参考文献

1. Patients Not Told AI Drafted Messages From Their Doctors - MHA Online、2026年2月6日閲覧、https://www.mhaonline.com/blog/ai-messages-from-doctors

2. When AI Writes Back: Ethical Considerations by Physicians on AI-Drafted Patient Message Replies - ResearchGate、2026年2月6日閲覧、https://www.researchgate.net/publication/394687833_When_AI_Writes_Back_Ethical_Considerations_by_Physicians_on_AI-Drafted_Patient_Message_Replies

3. Opportunities and risks of artificial intelligence in patient portal messaging in primary care、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC12022076/

4. Mass General Brigham research identifies pitfalls and opportunities for generative artificial intelligence in patient messaging systems | EurekAlert!、2026年2月6日閲覧、https://www.eurekalert.org/news-releases/1041892

5. Critics bristle over creating MyChart messages with AI: 4 things to know | Becker's、2026年2月6日閲覧、https://www.beckershospitalreview.com/patient-experience/critics-bristle-over-creating-mychart-messages-with-ai-4-things-to-know/

6. GenAI Notification Requirements | Medical Board of California、2026年2月6日閲覧、https://www.mbc.ca.gov/Resources/Medical-Resources/GenAI-Notification.aspx

7. California Requires Disclaimers for Health Care Providers' AI-Generated Patient Communications | ArentFox Schiff、2026年2月6日閲覧、https://www.afslaw.com/perspectives/alerts/california-requires-disclaimers-health-care-providers-ai-generated-patient

8. The Clinicians' Guide to Large Language Models: A General Perspective With a Focus on Hallucinations - Interactive Journal of Medical Research、2026年2月6日閲覧、https://www.i-jmr.org/2025/1/e59823

9. New Law Regulates Use of Generative Artificial Intelligence in Healthcare - Fenton & Keller、2026年2月6日閲覧、https://fentonkeller.com/fk-articles/new-law-regulates-use-of-generative-artificial-intelligence-in-healthcare/

10. Bill Text: CA AB3030 | 2023-2024 | Regular Session | Amended - LegiScan、2026年2月6日閲覧、https://legiscan.com/CA/text/AB3030/id/3012689

11. U.S. State AI Law Tracker – All States、2026年2月6日閲覧、https://ai-law-center.orrick.com/us-ai-law-tracker-see-all-states/

12. California Turns to the Use of AI in Healthcare | BCLP - Bryan Cave Leighton Paisner、2026年2月6日閲覧、https://www.bclplaw.com/en-US/events-insights-news/california-turns-to-the-use-of-ai-in-healthcare.html

13. Large language models and large concept models in radiology: Present challenges, future directions, and critical perspectives - PMC - PubMed Central、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC12679190/

14. Reducing Hallucinations in Large Language Models for Healthcare - Cognome、2026年2月6日閲覧、https://cognome.com/blog/reducing-hallucinations-in-large-language-models-for-healthcare

15. The dangers of using non-medical LLMs in healthcare communication - Paubox、2026年2月6日閲覧、https://www.paubox.com/blog/the-dangers-of-using-non-medical-llms-in-healthcare-communication

16. Challenges of Implementing LLMs in Clinical Practice: Perspectives - PMC、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC12429116/

17. Risk Management: Artificial Intelligence in Clinical Practice - PMC - NIH、2026年2月6日閲覧、https://pmc.ncbi.nlm.nih.gov/articles/PMC11709444/

18. Large Language Models Are Highly Vulnerable to Adversarial Hallucination Attacks in Clinical Decision Support: A Multi-Model Assurance Analysis | medRxiv、2026年2月6日閲覧、https://www.medrxiv.org/content/10.1101/2025.03.18.25324184v1.full-text

19. How AI red teaming fixes vulnerabilities in your AI systems | Invisible Blog、2026年2月6日閲覧、https://invisibletech.ai/blog/ai-red-teaming-2026

20. Retrieval-Augmented Generation (RAG) in Healthcare: A Comprehensive Review - MDPI、2026年2月6日閲覧、https://www.mdpi.com/2673-2688/6/9/226

21. Use case: Building a medical intelligence application with augmented patient data、2026年2月6日閲覧、https://docs.aws.amazon.com/prescriptive-guidance/latest/rag-healthcare-use-cases/case-1.html

22. Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA - arXiv、2026年2月6日閲覧、https://arxiv.org/html/2602.00009v1

23. Med-HALT: Medical Domain Hallucination Test for Large Language Models - GitHub、2026年2月6日閲覧、https://github.com/medhalt/medhalt

24. mitmedialab/medical_hallucination: Medical Hallucination in Foundation Models and Their Impact on Healthcare (2025) - GitHub、2026年2月6日閲覧、https://github.com/mitmedialab/medical_hallucination

25. What Is AI Red Teaming? Why You Need It and How to Implement - Palo Alto Networks、2026年2月6日閲覧、https://www.paloaltonetworks.com/cyberpedia/what-is-ai-red-teaming

26. AI Red Teaming Agent (preview) - Microsoft Foundry、2026年2月6日閲覧、https://learn.microsoft.com/en-us/azure/ai-foundry/concepts/ai-red-teaming-agent?view=foundry-classic

27. AI in Medical Malpractice: Liability, Risk, & What Physicians Need to Know - Indigo、2026年2月6日閲覧、https://www.getindigo.com/blog/ai-in-medical-malpractice-liability-risk-guide

28. Healthcare AI 2025 - USA – California | Global Practice Guides | Chambers and Partners、2026年2月6日閲覧、https://practiceguides.chambers.com/practice-guides/healthcare-ai-2025/usa-california/trends-and-developments

29. A New Duty of Care: How AI Is Rewriting Medical Liability | Gyrus Group、2026年2月6日閲覧、https://gyrusgroup.com/news/a-new-duty-of-care-how-ai-is-rewriting-medical-liability/

30. Artificial Intelligence: The Legalities of AI in Health Care and the Day-to-Day Use of AI in the Clinical Setting - Oncology Issues、2026年2月6日閲覧、https://journals.accc-cancer.org/view/artificial-intelligence-the-legalities-of-ai-in-health-care-and-the-day-to-day-use-of-ai-in-the-clinical-setting

31. Understanding Liability Risk from Using Healthcare AI Tools - Illinois Health and Hospital Association、2026年2月6日閲覧、https://www.team-iha.org/getmedia/3d7473d7-192e-40b8-ad2e-b40b27be43ae/K_Understanding-Liability-K-2025.pdf

32. Appendix E — The Clinical AI Morgue - The Physician AI Handbook、2026年2月6日閲覧、https://physicianaihandbook.com/appendices/failures.html

33. AI regulation in insurance: Risk-based pricing and fairness - Browne Jacobson LLP、2026年2月6日閲覧、https://www.brownejacobson.com/insights/the-word-may-2025/ai-hallucinations

34. Legal AI Hallucinations and Your Attorney Malpractice Insurance Coverage、2026年2月6日閲覧、https://www.l2insuranceagency.com/blog/legal-ai-hallucinations-and-your-attorney-malpractice-insurance-coverage/