結論：医療現場のAIエージェントは「AIが診断する」ではなく「AIが下準備して医師が判断する」設計が正解。問診・カルテ・レセプトの3ステップで導入でき、電子カルテ三要件・個人情報保護法を満たした設計にすれば本番稼働が現実的です。
- 要点1：問診補助AIは実際に1,800以上の医療機関で稼働中（Ubie社、2026年時点）。初診問診時間を約65%短縮した事例あり
- 要点2：カルテ入力補助はSOAP形式の自動整理が主流。「AIが提案・医師が承認」の2ステップが規制上も安全
- 要点3：レセプト自動チェックはClaude Haiku 4.5（$1/MTok入力）で十分処理でき、大病院・クリニック双方でコスト合理性がある
対象読者：病院・クリニックのDX担当・医療情報部門・開発チーム
今日やること：まずStep 1の問診補助エージェントのサンプルコードをローカル環境で試す（本番データは使わずに）
「医療現場にAIを入れたいが、規制が複雑すぎてどこから手をつければいいかわからない」
企業向けAI導入支援の現場でも、医療・ヘルスケア業界からの相談は増えています。電子カルテ標準化義務化、医師の時間外労働規制、オンライン診療の恒久化と、制度変革が重なる中、「記録・事務業務を削減したい」という声が急増している状況です。
この記事では、医療現場で現実的に導入できるAIエージェントの実装パターンを3ステップで解説します。架空の成果数値は使わず、公開されている実績データと動作確認済みのコード例に絞って紹介します。実装にあたっては必ず医師・法務担当・プライバシー専門家と連携してください。
医療AIエージェント導入の前提：「AIが決める」ではなく「AIが準備する」
医療分野のAIエージェントを設計する上で、最も重要な原則は「AIは補助、決定は医師」の徹底です。
日本では医療法上、診断・治療の判断は医師が行うことが原則です。AIを使う場合も、最終判断を人間が行う「Human-in-the-loop」設計が前提となります。
実際にも、医療AIの先進事例を見ると「AIが提案し、医師が承認してはじめて反映される」というフローが主流です。2026年に入って施行された内閣府のAIガイドライン（AIビジネス・ガイドライン Ver.1.2、2026年3月31日改定）でも、AIエージェントのリスク分析が新たに追加されており、医療分野での適切なガバナンス設計が重視されています。
日本の医療AIに関わる主要規制
実装前に確認しておくべき規制を整理します（いずれも専門家への相談を前提としてください）。
| 規制・ガイドライン | AIエージェント設計への影響 |
|---|---|
| 個人情報保護法（改正） | 病歴・診療記録の取り扱いには本人の明示的な同意が必要。クラウドに送信する場合は第三者提供に該当する可能性 |
| 医療法・厚生労働省「電子カルテ三要件」 | 電子カルテの真正性・見読性・保存性を確保する設計が必須。AI生成テキストのカルテへの反映は医師の確認後に限定 |
| 薬機法（医療機器プログラム規制） | 診断支援を行うAIは医療機器プログラムとして認証が必要な場合あり。問診補助・文書作成補助は対象外になるケースが多いが要確認 |
| 3省2ガイドライン（厚生労働省等） | 医療情報のクラウド利用に関する安全管理のガイドライン。ISO/IEC 27001等のセキュリティ基準への対応が重要評価基準 |
これらの規制は現在も改定が続いています。実装前に必ず最新の法令・ガイドラインを確認し、医療法務専門家に相談することを強くお勧めします。
Step 1: 問診補助エージェント — 実装で最もハードルが低い出発点
問診補助は、医療AIエージェントの中でも最も導入しやすいユースケースです。患者が回答した問診票の内容を整理・要約し、診察前のサマリーを医師に提示する用途に限定すれば、医療機器プログラムの認証対象外になるケースが多く、比較的スピーディに試せます。
公開事例：Ubie AI問診の実績
事例区分: 公開事例
以下はUbie株式会社が公式に公表している導入実績です（参照日: 2026-06-15）。
問診AIのUbie（ユビー）は、2026年時点で日本国内1,800以上の医療機関に導入されています。愛知県の刈谷豊田総合病院では、Ubie導入後にカルテ記入時間が12分から8分に短縮されたことが報告されています（Ubie公式事例より）。
自前で問診サマリーエージェントを構築する場合のコード例
患者が記入した問診票テキストを受け取り、医師向けサマリーを生成するシンプルなエージェントのサンプルです。
動作環境: Python 3.11+, anthropic>=0.40.0, python-dotenv>=1.0.0
import anthropic
import os
from dotenv import load_dotenv
# 注意: 本番環境では患者の個人情報・病歴を扱います。
# 必ず社内プライバシーポリシー・個人情報保護法に従い、
# 本番データは本番環境のセキュアなAPIキー管理下でのみ使用してください。
# このサンプルはローカルテスト用途に限定してください。
load_dotenv()
client = anthropic.Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
SYSTEM_PROMPT = """
あなたは医療機関向けの問診票サマリーアシスタントです。
患者が記入した問診票の内容を、医師が診察前に確認しやすい形式でまとめてください。
出力形式:
- 主訴（最も気になる症状）
- 現病歴（いつから、どのような経過か）
- 既往歴
- 服薬情報
- アレルギー
- 医師への確認事項（問診票から読み取れる要確認点）
重要: これはあくまでサマリー補助です。診断や治療の判断は必ず医師が行ってください。
"""
def create_interview_summary(interview_text: str) -> str:
"""
問診票テキストから医師向けサマリーを生成する。
Args:
interview_text: 患者が記入した問診票の内容（テキスト形式）
Returns:
医師向けサマリーテキスト
"""
message = client.messages.create(
model="claude-haiku-4-5", # コスト効率の良いモデルを選択
max_tokens=1024,
system=SYSTEM_PROMPT,
messages=[
{
"role": "user",
"content": f"以下の問診票をサマリーしてください:nn{interview_text}"
}
]
)
return message.content[0].text
# テスト用サンプルデータ（架空）
sample_interview = """
お名前: テスト 太郎（架空）
年齢: 45歳
本日の主なご相談: 3日前から続く頭痛と微熱
症状が始まった時期: 先週月曜日（2026年6月9日ごろ）
痛みの強さ: 5/10程度
既往歴: 高血圧（降圧薬服用中）
アレルギー: なし
その他: 仕事のストレスが続いている
"""
if __name__ == "__main__":
summary = create_interview_summary(sample_interview)
print("=== 医師向けサマリー（AI生成・要確認）===")
print(summary)
print("n【注意】上記はAIによる補助サマリーです。診断・治療方針は医師が判断してください。")
ポイント:
- モデルには
claude-haiku-4-5を使用。Anthropic公式価格で入力$1/MTok・出力$5/MTok（2026年6月時点）と低コスト - システムプロンプトに「医師が最終判断する」旨を明示することで、出力テキスト自体に誤用を防ぐ注意書きが含まれる
- PHI（個人健康情報）をクラウドAPIに送信する場合、APIプロバイダーのデータ処理契約（BAA等）の確認が必須
Step 2: カルテ入力補助エージェント — SOAP形式の自動整理
電子カルテへの記録は医師の時間外労働の大きな割合を占めています。診察中の会話記録やメモをSOAP形式（Subjective/Objective/Assessment/Plan）に自動整理し、医師が確認・修正して承認するフローは、多くの大学病院・基幹病院で検討が進んでいます。
公開事例：JCHO大阪病院 × 富士通の生成AI導入
事例区分: 公開事例
以下は富士通株式会社が2026年2月19日に公式プレスリリースで発表した事例です（参照日: 2026-06-15）。
独立行政法人地域医療機能推進機構（JCHO）大阪病院は、富士通ジャパンと連携し、退院時要約（退院サマリー）と看護引き継ぎの生成AI活用プロジェクトを進めています。2026年6月より本格稼働を目標としており、院内のガイドライン整備・情報基盤構築・運用ガバナンス確立をセットで取り組む設計です。
SOAP形式サマリー生成のコード例
診察メモや音声記録のテキスト変換結果をSOAP形式に整理するサンプルです。
動作環境: Python 3.11+, anthropic>=0.40.0
import anthropic
import os
from dataclasses import dataclass
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# 実際の診療データを使用する場合は、院内のプライバシーポリシーと
# 電子カルテシステムのセキュリティ要件を満たす環境でのみ実行してください。
@dataclass
class SOAPNote:
subjective: str # S: 患者の主訴・自覚症状
objective: str # O: 客観的所見・検査結果
assessment: str # A: アセスメント（AI生成・医師確認必須）
plan: str # P: 治療計画（AI生成・医師確認必須）
SOAP_SYSTEM_PROMPT = """
あなたは電子カルテ入力補助AIです。診察メモをSOAP形式に整理してください。
SOAP形式:
S (Subjective): 患者の主訴・自覚症状のみ記載
O (Objective): 医師が確認した客観的所見・バイタル・検査値のみ記載
A (Assessment): 医師の判断支援のための仮の状態整理（必ず「要医師確認」と明示）
P (Plan): 治療・処置の案（必ず「要医師確認」と明示）
出力はJSON形式で返してください。
重要: A・P欄のAI生成テキストはあくまで補助案です。
最終記録は医師が修正・承認してから電子カルテに反映してください。
"""
def generate_soap_note(clinical_memo: str) -> SOAPNote:
"""
診察メモからSOAP形式のカルテ案を生成する。
Args:
clinical_memo: 診察中に記録したメモや音声テキスト
Returns:
SOAPNote（必ず医師が確認・修正後にカルテへ反映すること）
"""
client = anthropic.Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
message = client.messages.create(
model="claude-haiku-4-5",
max_tokens=1500,
system=SOAP_SYSTEM_PROMPT,
messages=[
{
"role": "user",
"content": f"以下の診察メモをSOAP形式に整理してください:nn{clinical_memo}"
}
]
)
import json
try:
soap_data = json.loads(message.content[0].text)
return SOAPNote(
subjective=soap_data.get("S", ""),
objective=soap_data.get("O", ""),
assessment=soap_data.get("A", ""),
plan=soap_data.get("P", "")
)
except json.JSONDecodeError:
# JSON解析失敗時は生テキストをsubjectiveに格納
return SOAPNote(
subjective=message.content[0].text,
objective="（解析エラー・医師が直接入力してください）",
assessment="（解析エラー・医師が直接入力してください）",
plan="（解析エラー・医師が直接入力してください）"
)
# テスト実行例（架空データ）
if __name__ == "__main__":
test_memo = """
45歳男性。3日前からの頭痛と微熱。
体温37.8度、血圧138/88。頭部に圧迫感あり。
先週から仕事でストレス増加。高血圧で降圧薬内服中。
"""
soap = generate_soap_note(test_memo)
print("=== SOAP形式カルテ案（AI生成・医師確認前）===")
print(f"S: {soap.subjective}")
print(f"O: {soap.objective}")
print(f"A: {soap.assessment}")
print(f"P: {soap.plan}")
print("n【重要】上記はAIによる案です。電子カルテ反映前に必ず医師が確認・修正してください。")
ポイント:
- JSON出力指定でパース処理をシンプルに。エラーハンドリングでフォールバックを設ける
- A（アセスメント）・P（プラン）は医師確認前の「案」であることをシステムプロンプトと出力の両方で明示
- 実際の本番実装では、電子カルテシステムのAPIとの連携とアクセス権限管理が必要
Step 3: レセプトチェック補助エージェント — 返戻・査定リスクの事前検知
レセプト（診療報酬明細書）の審査では、記載誤りや記録の不整合が「返戻」（レセプトが保険者から差し戻される）や「査定」（請求額が減額される）の原因になります。AI補助によるチェックは、医事課・レセプト担当者の作業負担軽減に有効です。
レセプトチェックエージェントの構成
動作環境: Python 3.11+, anthropic>=0.40.0
import anthropic
import os
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# レセプトには患者の個人情報・診療情報が含まれます。
# 本番データの取り扱いは院内の個人情報管理規程に従ってください。
RECEIPT_CHECK_PROMPT = """
あなたは医療事務の専門家向けレセプトチェック補助AIです。
提供されたレセプトデータの概要を確認し、以下の観点で気になる点を列挙してください。
チェック観点:
1. 傷病名と診療行為の対応（傷病名がない診療行為が含まれていないか）
2. 算定要件の確認事項（特定加算の記載条件など）
3. 数量・日数の整合性（処方日数、診療日数の記載が整合しているか）
4. 記載漏れリスク（コメントが必要な項目の確認）
出力形式:
- 確認済み項目: 問題なさそうな項目
- 要確認項目: 医事課担当者が確認すべき項目（理由付き）
- 判断不可: AIでは判断できない専門的事項（専門家に確認）
重要: これはレセプトチェックの補助ツールです。最終的な審査は必ず医事課・専門担当者が行ってください。
"""
def check_receipt_draft(receipt_summary: str) -> str:
"""
レセプトの概要テキストから確認事項を抽出する。
Args:
receipt_summary: レセプトの要約情報（実装時は個人情報を匿名化してから渡すことを推奨）
Returns:
チェック結果のテキスト
"""
client = anthropic.Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
message = client.messages.create(
model="claude-haiku-4-5",
max_tokens=1024,
messages=[
{"role": "user", "content": RECEIPT_CHECK_PROMPT + "nnレセプト概要:n" + receipt_summary}
]
)
return message.content[0].text
# テスト実行例（完全に架空のデータ）
if __name__ == "__main__":
test_receipt = """
傷病名: 高血圧症
診療行為: 再診料、特定疾患処方管理加算2、処方箋料
処方: 降圧薬28日分
特記事項: なし
"""
result = check_receipt_draft(test_receipt)
print("=== レセプトチェック補助結果（AI生成・担当者確認前）===")
print(result)
print("n【重要】上記はAIによる補助結果です。最終確認は必ず医事課担当者が行ってください。")
ポイント:
- レセプトの個人情報（氏名・生年月日・保険番号）は可能な限り匿名化してからAPIに送信する設計を検討する
- AIの判断を「最終審査」とせず、「担当者チェックのサポート」として位置づけることが運用上の安全策
- 返戻・査定のルールは診療報酬改定（2年ごと）で変わるため、プロンプトの定期的な更新計画を立てておく
コスト試算：Claude Haiku 4.5で月間1,000件処理した場合
問診補助・SOAP生成・レセプトチェックをClaudeのAPIで処理する場合の目安コストを試算します（2026年6月時点のAnthropicの公式料金を使用）。
| 処理 | 1件あたり入力トークン（概算） | 1件あたり出力トークン（概算） | 1件あたりコスト（概算） |
|---|---|---|---|
| 問診サマリー生成 | 約500トークン | 約300トークン | 約$0.00200 |
| SOAPカルテ案生成 | 約600トークン | 約500トークン | 約$0.00310 |
| レセプトチェック | 約700トークン | 約400トークン | 約$0.00270 |
計算根拠: Claude Haiku 4.5（入力$1/MTok・出力$5/MTok）。Anthropic公式料金ページ（2026年6月時点）より。実際のトークン数は患者の記入量や診療内容によって変動します。
月間1,000件処理した場合の3処理合計で概算$7.8（約1,200円）。コスト面では中小クリニックでも導入しやすい水準です。
医療AIエージェントの導入で陥りやすい3つの失敗パターン
失敗パターン1：個人情報保護の設計を後回しにする
医療情報はセンシティブ情報の中でも最も慎重な取り扱いが求められます。「まずPoC（概念実証）を動かしてから考える」という進め方で、後から個人情報保護法や3省2ガイドラインへの対応が難しくなるケースが実際の導入現場でも見られます。
対策：設計フェーズの最初から「どのデータをどこに送るか」「患者同意はどう取るか」「ログはどこに残すか」を決める。PHIの匿名化・仮名化を前提にした設計にする。
失敗パターン2：「AIが判断する」という印象を与える
院内スタッフや患者に「このシステムがAIで診断している」という印象を与えると、信頼性の問題や法的リスクにつながります。特に薬機法の医療機器プログラム規制に該当するかどうかは専門家への確認が必須です。
対策：UI・運用フローを「AIが提案、医師・担当者が確認・承認」の2ステップに設計する。システム画面上でも「AIによる補助です。最終確認は担当者が行ってください」を常時表示する。
失敗パターン3：プロンプトを一度作って放置する
診療報酬の算定ルールは2年ごとの改定で大きく変わります。レセプトチェックに使うプロンプトを改定ごとに更新しないと、改定後の誤ったチェック結果を医事課担当者が見続けることになります。
対策：診療報酬改定のたびにプロンプトレビュー・テストを実施するスケジュールを組み込む。医事課担当者がプロンプトの内容を確認できる体制を作る。
Human-in-the-loop 設計の実装例
医療AIで特に重要な「AIの出力を人間が確認してから反映する」フローのサンプルです。
from enum import Enum
class ReviewStatus(Enum):
PENDING = "pending" # 医師確認待ち
APPROVED = "approved" # 医師承認済み
MODIFIED = "modified" # 医師が修正して承認
REJECTED = "rejected" # 医師が棄却
class SOAPDraft:
"""SOAPカルテ案の管理クラス"""
def __init__(self, ai_generated: dict, patient_id: str):
self.ai_content = ai_generated
self.patient_id = patient_id # 匿名ID推奨
self.status = ReviewStatus.PENDING
self.physician_comment = ""
self.final_content = None
def approve(self, physician_id: str):
"""医師がAI案をそのまま承認"""
self.status = ReviewStatus.APPROVED
self.final_content = self.ai_content
print(f"[APPROVED] 医師ID:{physician_id} が承認。カルテに反映可能です。")
def approve_with_modification(self, modified_content: dict, physician_id: str, comment: str = ""):
"""医師が内容を修正して承認"""
self.status = ReviewStatus.MODIFIED
self.final_content = modified_content
self.physician_comment = comment
print(f"[MODIFIED] 医師ID:{physician_id} が修正の上で承認。修正内容をカルテに反映します。")
def reject(self, physician_id: str, reason: str):
"""医師が棄却（手動入力に切り替え）"""
self.status = ReviewStatus.REJECTED
self.physician_comment = reason
print(f"[REJECTED] 医師ID:{physician_id} が棄却。理由: {reason}")
print("→ 医師が手動でカルテを記入してください。")
def can_save_to_ehr(self) -> bool:
"""電子カルテに保存可能かどうか"""
return self.status in [ReviewStatus.APPROVED, ReviewStatus.MODIFIED]
ポイント:
- 「医師が承認するまで電子カルテに書き込まない」という状態管理を明示的にコードで表現する
- 棄却の場合は手動入力フローに切り替える設計にすることで、AI障害時もオペレーションが止まらない
- 承認・修正・棄却のログを残すことで、後から監査できる仕組みを作る
よくある質問（FAQ）
Q1. 医療AIエージェントに薬機法の医療機器プログラム規制は適用されますか？
問診票の整理・カルテ入力補助・レセプトチェック補助は、診断・治療を直接行うものではないため、医療機器プログラム規制の対象外になるケースが多いです。ただし、AIが特定の疾患を診断する機能を持つ場合は規制対象になる可能性があります。個々のユースケースについては薬機法専門家にご確認ください。
Q2. 患者の問診票データをクラウドAPIに送信してもよいですか？
個人情報保護法および3省2ガイドライン上、医療情報をクラウドに送信する際は適切な安全管理措置が必要です。APIプロバイダーとの契約内容（データ処理契約・サブプロセッサーへの提供条件）を確認し、必要に応じてAnthropicの法人向けプライバシー契約を締結してください。また、患者への説明と同意取得が求められる場合があります。
Q3. 導入コストはどれくらいかかりますか？
API利用費自体は本文のコスト試算のとおり月1,000件処理で数千円程度ですが、電子カルテシステムとの連携開発・セキュリティ設計・運用体制構築・スタッフ教育などの費用が別途かかります。PoC（概念実証）段階であれば既存の院内開発チームでも始めやすい規模感です。
Q4. AIが生成したカルテ記録は医師法上問題ありませんか？
医師法上、診療録の記載義務は医師にあります。AIが生成したテキストをそのままカルテに反映するのではなく、「医師が確認・修正して承認する」フローを必ず挟むことが重要です。電子カルテ三要件（真正性・見読性・保存性）を満たす設計であることも確認してください。
Q5. 小規模クリニックでも導入できますか？
APIコスト面では小規模クリニックでも導入可能な水準です。ただし、電子カルテとの連携に技術的な工数がかかるため、クリニック向けに既製品として提供されているSaaSソリューション（Ubieのような問診AIサービス）から検討するのが現実的な場合も多いです。
まとめ：今日から始める3つのアクション
- 今日やること: Step 1の問診サマリーエージェントのコードをローカル環境で動かしてみる。本番患者データは使わず、架空のサンプルデータで動作確認する
- 今週中: 院内の規制担当・医療情報部門に「AIを使った事務補助の試行」の相談をする。個人情報保護方針・電子カルテ三要件との整合を確認する
- 今月中: PoC（概念実証）の対象業務を1つに絞り、医師・医事課担当者を交えた小規模テストを設計する
医療AIエージェントの導入で最も重要なのは、コードの品質よりも「誰が何を判断するか」を明確にすることです。AIが補助し、医師・担当者が判断するという役割分担をシステム設計・運用フロー・スタッフ教育の全レイヤーで一致させることが、安全で持続可能な医療AIの実装につながります。
あわせて読みたい:
- AIエージェントのHuman-in-the-loop設計ガイド【2026】 — 医療以外の業務でもAIと人間の役割分担を設計する方法
- AIエージェントのシークレット・認証情報管理 運用ガイド2026 — APIキーと患者情報を安全に管理するための実践ガイド
- RAGのデータセキュリティ実装ガイド｜PII・機密・アクセス制御【2026】 — 医療情報をRAGで扱う際のセキュリティ設計
参考・出典
- Anthropic 公式料金ページ — Anthropic（参照日: 2026-06-15）
- Claude モデル一覧 — Anthropic（参照日: 2026-06-15）
- Osaka Hospital launches project to safely utilize generative AI for healthcare workforce improvements — Fujitsu Global（2026年2月19日）
- Ubie株式会社とは？症状検索とAI問診で注目の医療スタートアップ — New Venture Voice（2025年5月）
- Japan’s 2025–2026 reforms of health data, AI and clinical research — International Bar Association（2025年）
この記事を読んで医療AIの導入方法のイメージが固まってきた方へ
Uravationでは業種特性を踏まえたAIエージェント導入の研修・コンサルを行っています。医療・ヘルスケア分野での規制対応を含めた設計支援についても、まずはお気軽にご相談ください。
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー10万人以上。100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』。
