AIシステムが医療検査コストを削減しながら診断精度を向上

新たな情報が得られ次第絶えず見直しを行っている医療専門家集団を模倣して設計された人工知能（AI）システムが、臨床症例の診断において、参加した人間の医師よりも優れた成績をあげ、それと同時に多くの場合、推定検査コストを削減していた。医療用AIツールのこれまでの評価は「診断を、診断精度と診断検査コストを併せて考慮する能動的で逐次的な情報収集プロセスとしてはテストしていなかった」と本研究の著者らは述べている。臨床診断は、医師が患者の病歴、身体診察、診断検査から情報を収集して医学的状態を特定する反復的なプロセスである。医師は、新たなエビデンスが得られるたびに、予想される診断名を絶えず見直し、結論を下したり治療を開始したりするのに十分な確実性があるかどうかを判断する。言語モデル（LM）は、文書化された検査や構造化された臨床症例ではすばらしい医療推論能力を示しているが、従来の評価では通常、事前に完全な症例情報が提供される。「診断を1ステップの推論に圧縮していることにより、静的ベンチマークでは、システムが適切な問いを発するか、見境なく検査しないようにするか、エビデンスが得られたら鑑別診断を更新するか、精密検査を終える十分な確実性が得られたときにそれを認識するか、についての評価ができない」と著者らは述べている。このことは診断能力の過大評価につながる可能性がある。この問題に対処するために、Harsha Noriらは、Sequential Diagnosis Benchmark（SDBench）を開発し、The New England Journal of Medicineおよび救急診療から得られた臨床症例629例を対話式の段階的な診断課題に変換した。

NoriらはSDBenchを用いて、診断推論を導くために自身らが開発したAIシステムであるDiagnostic Orchestrator（DxO）を評価した。このシステムはコストを考慮しながら問いと検査を選択する。GPT-5を利用したDxOでは、評価したコスト・精度の範囲にわたって、参加した医師よりも診断精度と検査コストのバランスが優れていた。予算の制約に応じて、システムは精度79.6%～84.5%を達成し、1例あたりの平均コストは1,303ドル～8,945ドルであった。これに対して、監修された症例検討会の症例を評価した医師らの平均診断精度は、参照ツールを使用しなかった場合で22.3%、使用した場合は36.1%であった。精度51.8%を達成した最も成績の良かった医師でさえ、精度とコストの両方でDxOを下回っていた。また、システムは明確な診断戦略に従い、最初の検査をオーダーする前に、患者の病歴に関する情報を医師が通常収集するよりもかなり多く収集していた。日常的な救急科の症例においては、DxOは予算制約なしの場合、1例あたりの平均コスト4,980ドルで精度80.3%を達成した。これらの知見は、AIオーケストレーションによって、より効率的な診断を支援できる可能性があることを示唆しているものの、著者らは、現実世界の臨床診療における有効性と患者アウトカムへの影響を確立するために、さらなる評価が必要だと主張している。さらにNoriらは、このモデルは身体診察を行ったり患者を直接観察したりはできない点を強調している。それでもこのシステムは、医師のワークフローを補完するものとして有望である。詳細な考察については、インタビュー動画「SciPak: Unpak'd」を参照のこと。本研究について2人の著者がさらに詳しく論じている。