医療・介護のAI活用事例

Atropos Healthは毎月数百件の観察研究を出していて、結果のまとめと背景づけに医師が1件あたり約10分かけていた。

要約を作るLLMのツールは本番で動いていたが、数百件の規模でどれだけうまく書けているのか分からなかった。

1. 研究結果の要約をLLMのツールに下書きさせた
2. 下書きは医師が読んで直す形にした
3. 本番の出力をArize AXへ集めた
4. 何を知りたいかを問いの形で出した
5. 答えられる少数の指標だけで測り始めた

医師ごとの直しを眺めるしかなかった状態から、本番の要約の出来を数百件の規模で見られるようになった。

測る流れが社内で回り出し、絞り込む指標を決める段階へ進んだ。

2016年から人の手で1件につき3回まで電話をかける形だったが、紹介の件数が増えて追いつかなくなった。

2023年にはかかりつけ医の診断から最初の連絡までが平均28日まで延びて、手つかずの紹介が約15,000人分たまった。

1. 紹介を受け取った時点でSMSとメールと自動音声で連絡を入れる
2. 申し込みとコース選びを話し言葉のままやりとりできるようにした
3. 予約を確定する前に参加条件を満たすかその場で照合する
4. 人の対応が必要なときは1クリックで優先の列へ回した
5. 初回の前に会場とコーチ名を入れたリマインダーを自動で送る

かかりつけ医の紹介から最初の連絡までが速くなり、プログラムに参加する人が増えた。

オンラインで受ける人も伸びた。

医師が診察のたびに手でメモを取り電子カルテへ入れ直していた。

電話やメールの割り込みも重なって疲れがたまり離職や患者対応の質への不安が出ていた。

1. 患者と医師のやり取りをそのままAIに聞かせた。
2. AIが臨床記録の下書きを作る形にした。
3. できた記録は使っている電子カルテへ自動で流れ込む。
4. 医師が記録に目を通して勤務時間の中で仕上げる。
5. 使う範囲を80の専門科と1,200人の医師まで広げた。

記録にかかる平均の時間が37.59%減り患者1人あたりの電子カルテ滞在時間も16.69%減った。

診た患者の数は18.36%増えて記録を家へ持ち帰る働き方が無くなった。

臨床研究や診療で使う評価ツールを国ごとの言語へ訳す必要があった。

手作業が中心の翻訳は費用が高く納期も長いため市場へ出すのが遅れていた。

1. 翻訳を任せられる相手を探し直しLILTへ切り替えた。
2. 設問の意味や意図がずれないように訳す。
3. AIを使う仕組みで速さと費用を抑えつつ品質を保つ。
4. 同じ技術を社内の別の取り組みにも回した。

翻訳にかかる費用は最大10倍下がった。

数か月単位だった納品が数週間で戻るようになった。

診療記録を残す作業が医師の負担になっていた。

患者と向き合う時間が削られ働く満足度も下がっていた。

1. 90日間の試験導入として推進チームが現場に入れた
2. 診察のやり取りから記録の下書きをAbridgeが作る
3. 医師と専門職が中身を確かめて仕上げた
4. 試験の結果を受けて全社の記録づくりの土台に選ぶ
5. 21の病院と300か所を超える拠点の4,000人へ広げた

医師の90%が以前より患者に集中できるようになり満足度は85%上がった。

認知の負担は61%減り燃え尽きは53%減った。

時間外の仕事も48%減った。

何百ものモデルを別々の仕組みで動かしていて、部門ごとの分断が進み無駄なコストがかかっていた。

新しいモデルを一つ出すまでに3週間かかっていた。

1. 古いAIの仕組みをDataRobotへ寄せた
2. 予測のAIと生成AIを一つの基盤でまとめて扱う
3. 用意されたアルゴリズムから候補を選び精度を比べる
4. APIでAWS BedrockのTitanやClaude 3とつないだ
5. 説明が付く形のモデルにして委員会が可否を判断する

新しいモデルを出すまでの期間が3週間から平均21時間になり、開発の時間は82%減った。

計算の力は8〜10倍になり、多くのモデルで80%を超える精度が出せるようになった。

入院説明など患者への同じ説明を職員が何度も繰り返しており、時間がかかっていた。

タブレットで動画を見せる取り組みはあったが、動画を作って配る仕組みが整っていなかった。

1. 院内のPowerPoint資料をVideoStepに読み込ませる
2. AIに中身を整理させて説明の台本を作らせる
3. 字幕と音声付き動画を担当者が言い回しと順番を直して仕上げる
4. パソコンの操作手順は画面録画で残し手順動画にする
5. 動画をURLとQRコードで配り患者が自分のタイミングで見られるようにした

リハビリテーション科と栄養管理課で動画が使われ始め、患者への説明を動画で補える形になった。

今後は病棟の看護師や知多半島りんくう病院にも広げる予定。

郡や支払機関や学区や取引先との数百件の契約を3人で手作業で見ていた。

最大200ページの文書からベッド保持の料率や自治体ごとの決まりを1つずつ探す必要があり、標準的な郡の契約でも一次確認に3〜4時間かかっていた。

1. 契約をWorkdayの契約管理サービス2つに集約した。
2. 免責や有効期限や契約の種類は自動で抜き出させる。
3. 細かい条件はAsk AIに質問し根拠の文言と照らし合わせる。
4. 示された箇所を担当者が自分で読んで内容を確かめる。
5. DocuSignやSharePointとつなぎひな形も用意した。

標準的な契約の一次確認にかかる時間が半分になった。

ニューヨーク州OIDDの200ページの契約は数日かかるところが1時間半で終わった。

新卒採用のエントリーシートは文字数が限られ、学生の経験の背景や価値観、挑戦の過程までは読み取りにくかった。

書く力の差が評価に影響することも課題だった。

1. 2028年4月入社の新卒採用でエントリーシート提出を4社で廃止した
2. 代わりにタレスカAI面接を導入した
3. AIアバターと話すトークエントリー選考に切り替えた
4. 学生は自己PRや学生時代に力を入れたこと、志望動機を自分の言葉で話す
5. AIが潜在能力やコミュニケーション力などの観点で適性評価を支える

書く選考から話す選考に切り替わり、文章では伝わりにくかった経験の背景や考え方の変化まで学生が伝えられるようになった。

英語のなまりが気になって動画を1文ずつ撮り直していた。

1本仕上げるのに1時間以上かかり患者を診る時間が削られていた。

1. ChatGPTに台本の下書きを作らせる
2. 台本をHeyGenへ渡し自分の顔と声のアバター動画にする
3. 中身は運動やストレッチや検査の説明を中心にする
4. 1日でまとめて7日分を作る
5. InstagramやFacebookなどへ順に出す

1本1時間以上かかっていた制作は10〜15分で終わるようになり7日分を2時間ほどで用意できる。

投稿は月におよそ60万回見られ客の約30%がSNS経由で来ている。

電話の相談窓口は朝9時から夜9時までしか開いていなかった。

夜中や早朝に困った介護家族は、翌日まで待つしかなかった。

1. 窓口に届いていたよくある質問を洗い出した
2. 300問を超える答えをAIに持たせた
3. D-IDのAPIで顔と声と表情の付く窓口に仕上げた
4. 英語のほかスペイン語やペルシャ語でも答えさせた
5. 答えのない質問は問い合わせ票にして後で返した

窓口が閉まっている時間にも答えが返るようになり、いまは週に多くの問い合わせを受けている。

待ち時間が減って、職員は込み入った相談に時間を使えるようになった。

予約を1つ取るまでに患者が3〜5回も電話をかけ直すことが多かった。

保留が20分を超えることも珍しくなく、10人に1人近くがつながる前に切っていた。

1. 診療科ごとの電話メニューを2つの型にそろえた
2. TalkdeskをEpicとつなぎ応対前に患者情報を表示した
3. 定型の用件はAutopilotが最後まで自動で処理する
4. 通話後はCopilotが記録をまとめ担当者が仕上げる
5. Quality Managementで応対を全件評価し指導に使う

入電の67%がAutopilotだけで完結し、通話後の事務は20分以上から約90秒になった。

保留時間も20〜30分から5分未満に縮み、患者満足度は4.8/5になった。

前の仕組みでは会員の問い合わせをほとんど自動で終えられず、担当者に回っていた。

1. Cognigy.AIで会員向けのAIエージェントを作った
2. 会員の窓口にそのエージェントを置く
3. 会員の質問にエージェントが最後まで答えた
4. AIで終わらない内容だけ担当者へ渡す
5. 第一弾として出し別チャネルへ広げる計画を立てた

1か月あまりで自己完結率が約40%になり、前の仕組みから大きく上がった。

利用のセッション数は12,000から30,000へ増えた。

注文まわりの調整連絡を担当者が手作業でこなしており、処理に日数がかかっていた。

1. Cognigyで先回りして連絡する流れをいくつも作った
2. 注文の状況が変わるとAIから自動で連絡が届く
3. 返答もそのやり取りの中で受け取る
4. 担当者が入らなくても手続きが進む
5. 用意した流れを1四半期ですべて出した

運用の経費を150万ドル減らし、1時間あたりの生産性は30%上がった。

1人が週にさばく注文は7件増え、顧客満足度は10点中9点になった。

出血が起きるたびに新しい診療記録を作る必要があり患者の経過をひとまとめに見られなかった。

血友病の薬の量は計算機能が無く手作業で危うく50種類を超える評価用紙も紙のままだった。

1. 既存のEMRの中に小さなアプリ群を埋め込む
2. 出血の記録を1か所に集めて検索できる形に変える
3. 薬の量を自動で計算し電子処方からEMRへ書き戻す
4. 評価用紙を条件分岐と採点の付いたデジタル様式にする
5. Bedrockに症例の抜き出しと記録の下書きを任せる

薬の量の計算と薬局のやり取りにかかる時間が60%減り出血の記録は30%減った。

多職種のまとめは70%減・手術計画の作成は50%減を見込み費用は100万ドルの削減を見込む。

医療の動画は台本作りから撮影や編集まで多くの担当者が関わり、1本に数週間かかっていた。

小さな直しでも録り直しが要るため多言語の版を増やしにくかった。

1. スタジオでの撮影と声の収録をやめる
2. 台本やプレゼン資料をHeyGenに読み込ませる
3. AIのアバターが説明役になる動画を作る
4. 医師向けと患者向けで言い回しを変える
5. 多言語版は撮り直さずHeyGen上で作り直す

1本あたり6〜8週間かかっていた制作が5〜10日で終わるようになり、関わる人数は5〜8人から1〜2人に減った。

制作費は50〜60%下がり、多言語版の制作は5〜10倍速くなった。

がん患者と家族に向けた教育動画を数千本そろえる必要があった。

メンバー6人は全員が社会福祉士か心理士で動画を作った経験が無かった。

1. 伝えたい内容を台本にまとめアバターに読ませる
2. 実在の話し手を何十人も試して声と雰囲気を写す
3. 親しみやすい理科の先生のような話し方を選ぶ
4. 作り方の手順をメンバー一人ひとりに配る
5. 視聴のデータを見て直したい部分だけ作り直す

3人で作業した日に公開できる動画を15本仕上げた。

心理士1人でも1日に5〜10本作れるようになった。

パーキンソン病と診断されたが公的支援制度は主体も窓口もばらばらで全体像がつかめず、治療の最新動向も主治医からの情報に偏っていた。

自分が欲しい情報をまとめた場所がどこにも見つからなかった。

1. 作りたいものの問いを自分で決める
2. 調査と要件のまとめをClaudeに任せる
3. 設計と実装と制度データの構造化をClaude Codeに書かせる
4. 治療情報の日次収集の仕組みもClaude Codeに作らせる
5. 出てきた成果を人がレビューし前提の誤りを直す

一人でParky Naviの初期版を公開するところまでこぎつけ、今は患者への聞き取りで内容を確かめている。

短期の目標として月間アクティブユーザー1万人を掲げている。

集中治療室は人手が足りないうえに患者1人あたり1時間で1,000を超えるデータが出る。

情報を追いながら素早く判断するのが難しかった。

1. ベッドのそばにMonaの端末を置いた
2. 生体データや検査値をひとまとめに表示する
3. 医師や看護師は手を使わず声で記録を口述した
4. 30以上の言語の通訳もその場で動かす
5. 急変や急性腎障害や敗血症の兆しを端末が先に知らせる

記録の誤りが68%減り1床あたり年550時間が浮いた。

受け入れられる患者の数は143%増え他院への転院は26%減った。

支援先の訪問診療クリニックは17店舗あり、録音はあっても全部の応対を聞いて集計するのは難しかった。

月ごとに数店舗へ絞って見ていたため、グループ全体の品質までは手が回らなかった。

1. MiiTel Phoneで通話を録音し音声データをためる。
2. MiiTel Synapseへ渡すプロンプトを先に作り込んだ。
3. 確認が必要な応対だけを自動で拾い表の形で書き出す。
4. 出てきた表をもとに社内へ報告した。
5. 各クリニックへ直し方を伝えている。

応対を確認して集計する手間が10分の1になった。

人が聞ける範囲に頼らず、改善が要る事案を拾えるようになった。

栄養コーチと利用者の通話は録音が残るだけで中身をつかめていなかった。

インドの複数の言語が混ざるので、人が聞き直して確かめるのは重かった。

1. 通話の音声をSageMakerで文字に起こして翻訳する
2. 文字起こしをComprehendにかけ気持ちの動きを取り出す
3. Bedrock上のClaudeで会話を要約させる
4. やるべきことや起きている問題を書き出させる
5. 要約をコーチの応対と監査の傾向探しに使う

毎月1,600件を超える通話を分析するようになり、要約がコーチの応対に使われている。

会社はコーチが受け持てる利用者が最大75%増えると見込む。

インドの医師は1日に100人を超える患者を診ていた。

事務作業に追われて患者1人に割ける時間は3分まで減り、治療の質が落ちていた。

1. 診察中の医師と患者のやり取りをAmazon Transcribeで文字にする。
2. その文字をAmazon Bedrock上のモデルへ渡し処方や所見の形に整えさせる。
3. 医師が画面の下書きを確かめて直し電子処方箋として出す。
4. 病歴や診断の記録を呼び出して更新し請求の管理も同じ画面でまとめた。
5. データはHIPAA対応のサービスとインドのDPDP法に沿って扱う。

医師の書き物の手間が減って患者と向き合う時間が増えた。

Amazon Bedrockへ移してからは誤りの出る割合も下がり、複数のモデルを試せるようになった。

オミクスのデータは量も種類も増え続け管理と解析が追いつかなかった。

オープンソースの道具は環境づくりに手間がかかり規模を大きくするほど苦しくなっていた。

1. オミクスデータをAWS HealthOmicsに置いた。
2. 匿名化した臨床データと結び付けて解析できる形にする。
3. バリアントコールをクラウド上で走らせた。
4. デジタルアーキビストがデータ科学者や司書と組んだ。
5. 研究者向けの入口を3段階に分ける。

データセットの検索と受け渡しは数日かかっていたものが数分になり原因となる遺伝子を見つけるまでの時間も縮んだ。

1万2千件を超えるゲノムのデータセットを1か所に置いて研究者が使えるようになった。

患者1人分のカルテを引くだけで数千ページになり、大量の記録を人の目で確かめるのが追いつかなかった。

1. スキャンしたカルテをAmazon Textractに渡して読み取る
2. 読み取った文章をComprehend Medicalにかけ診断の記述を取り出す
3. 見つかった診断の候補を画面で目立たせる
4. 医療コーダーがその箇所だけを見て確かめる

プラットフォームの稼働率は100%で、応答の90%は8秒以内に返る。

2024年第1四半期には4500万ページを超えるカルテを処理した。

化合物を実際に作って試すには費用も時間もかかる。

モデルの学習や入れ替えを手で回している間は、研究者が薬の設計に集中できなかった。

1. データを集めて整える流れをAmazon SageMakerで自動化した。
2. モデルの学習し直しと配布も同じ流れに乗せた。
3. 試作はSageMakerのノートブックで進めた。
4. API GatewayとLambdaをつなぎ予測をすぐ返せるようにした。
5. 研究者は設計画面で吸収や安全性の予測値をその場で見る。

研究者がモデルの学習作業から手を離せるようになり、すべての探索プロジェクトで予測値を見ながら分子を設計できるようになった。

予測は生成AIに分子の候補を探させる強化学習にも使い始めた。

市販後の医薬品の安全性情報を管理する仕事で、学術論文から医薬品名や有害事象名を抜き出す作業をすべて人がやっていた。

担当者によって作業の速さや査読の結果に差が出ることが困りごとだった。

1. AWS LambdaとDynamoDBでサーバーレスAPI基盤ANKOUを作った
2. 学習の場にAmazon SageMakerを選び機械学習を載せた
3. 文献検索と医薬用語検索の推測変換をさせている
4. 論文から医薬品名と有害事象名の記載箇所の抽出を機械に任せた
5. 因果関係や重さの判断は人が確かめる形にした

サーバー費用はEC2と比べて約1/10まで下がり、運用保守の費用も約1/3になる見込みになった。

インフラを用意するまでの時間も1週間程度からゼロに縮まり、担当者が改善に時間を回せるようになった。

在宅介護では利用者1人あたり月6万字にもなる記録を手作業でまとめており、1件の整理に20分以上かかっていた。

10年以上ためた記録データも使い切れていなかった。

1. Amazon S3に売上と介護記録と利用者情報をまとめて置く
2. Amazon QuickSightで数字を見られるようにする
3. Amazon Bedrockで報告の形を指定し文章を自動作成させる
4. 経営企画と介護現場とIT部門の混成チームで2週間ごとに改善する
5. 会話はAmazon Transcribeで文字にしBedrockで整える

記録の作成は数秒で終わり、確認を含めても平均14分と約30%短くなった。

利用者の多い事業所では月25時間が浮き、LIFEデータの予測分析の精度も25%上がった。

役員が持ってきた記事をLinkedInに載せて終わりという行き当たりばったりの作り方だった。

人を増やせないまま発信の求めだけが増え、少人数のチームでは追いつかなかった。

1. 社内の専門家への取材や講演の録音をJasperにためる
2. 役員ごとにブランドボイスを作り口調を分ける
3. 1年分の軸になる記事を洗い出してまとめて読み込ませる
4. エージェントに派生の素材を作らせ複数の形へ広げる

新しいキャンペーンを3週間ごとに出せるようになった。

記事づくりにかかる期間は2年から3か月へ85%短くなり、4つ以上のブランドボイスを使い分けている。

抗菌薬が効かなくなる問題が世界で広がる一方、感受性検査は費用が高く検査施設も足りない。

専門家でないと検査結果を読み取れないことも壁になっていた。

1. 低価格のAndroid端末で動く無料アプリを作る
2. 培地の写真を機械学習のモデルに渡して判定させる
3. 複数メーカーの抗菌薬のデータで学習をやり直す
4. EUCASTの最新の内容をルールエンジンに入れる
5. 技師が読み取り医師が使う抗菌薬を選ぶ

臨床研究向けとパイロット検査室向けの2つを続けて出し、5か国の検査室で使えるようになった。

その後10か国以上へ広がり、アプリのビルド時間は2時間超から45分未満へ60%以上減った。

こちらから電話をかける流れとばらばらの予約ツールでは診られる患者数に限りがあった。

夜間に届いた問い合わせは返せないまま残っていた。

1. ZoomのCX基盤でオンラインの診察室をつくった
2. 受付担当とビデオでつながり本人情報を確かめる
3. 資格と症状と医師の空きに合わせて看護師へ自動で振り分けた
4. 看護師がバイタルと症状を聞いてから医師へ引き継ぐ
5. 夜間の予約受付は仮想エージェントが代わりに受けた

一部の事業で予約枠が月1万件から6万件になった。

以前は月2000人ほどだった患者が直近のある月は1万人を超え、1時間に診られる人数も増えた。

医師と看護師が事務の記録に時間を取られていた。

救急外来の進め方も今のやり方のままで、目指す形との差が整理できていなかった。

1. Oracle Healthと一緒に今の手順と記録のやり方を調べた
2. 目指す形との差を洗い出し医師の動き方と記録の型を組み直す
3. Oracle Health Clinical AI Agentを入れた
4. ED LaunchPointも一緒に入れる
5. 設計・構築・検証・教育の順に区切って進めた

患者1人あたりの医師の記録時間が5分36秒から3分18秒へ37%減った。

看護師がEHRに触れる時間も6%減り、カルテ確認の新しい画面もよく使われるようになった。

遺伝子の変異を読み解く作業は少数の専門家が何時間もかけて調べるしかなかった。

病気の家族の半数以上に原因の答えを返せていない。

1. 細胞ごとの遺伝子データの解析をClaudeで進める
2. 変異を調べるエージェントを役割ごとに分けて動かす
3. 集団のデータベースと臨床の登録情報と論文に担当を分けた
4. 24時間探し続けて関係しそうな情報を担当者に知らせる
5. 最後の判断は人の専門家が担う

遺伝子の手がかりから治療の候補にたどり着くまでの時間が大きく縮まった。

年単位で止まっていた再解析にも手が届くようになった。

慢性疾患のある人は毎日いくつもの症状に向き合うが、手で記録を付け続けられる人は少ない。

恥ずかしさから医師にも全部は話さず、原因を探る材料がそろわなかった。

1. 100人に悩みを質問させ答えを採点しClaude Opusを選んだ
2. 3〜4か月かけて約4,000行のシステムプロンプトに仕上げた
3. 毎日の会話はClaude Sonnet・約50のツール呼び出しはOpusに回す
4. 会話をClaude Haikuが読み症状と重さを点数にして残す
5. アプリは2人のチームがClaude CodeとClaude Coworkで作る

4,000人を対象にした計測で翌日も使い続ける割合が10%上がった。

SonnetからOpusに替えて初回の会話からの転換も3〜4%伸び、10月の公開から10万人以上が使い始めた。

臨床の登録項目を人手で拾う作業は1件あたり平均1時間かかり複雑な症例では5〜6時間に延びていた。

14の病院で年22,000件を超える手術症例を扱う医療グループでは年11,000時間を超える作業になっていた。

1. 診療記録を2段構えで処理する仕組みにした
2. 前半はHaikuとSonnetが構造化データと自由記述から情報を抜き出す
3. 後半はSonnetが集めた根拠に点数を付けて並べ替え回答案を作る
4. 回答に元の記録の引用を付けて人は確かめる側に回る
5. 抽出がおかしいときはコードではなくプロンプトを直しその日に試す

通常の症例は1件30分から15〜22分になり複雑な症例は5〜6時間から90分に下がった。

年3,667〜6,050時間が浮き評価者間の一致率は99%を保った。

テキサスではほぼ全ての郡で医師が足りず、危ない状態の患者を見つけるための情報はばらばらの記録に埋もれていた。

効果の確かめられた治療を受けられるはずの患者が毎年大勢見つからないままになっていた。

1. 診療記録や検査結果をまとめてClaude Sonnet 4.5に読ませる
2. 診療ガイドラインに沿った条件で治療の対象になる患者を絞り込む
3. 該当した患者を医師がふだん使う画面に一覧で出す
4. 判断の根拠が元の記録までたどれる資料を一覧に付ける
5. 心臓の専門医が一覧を見て薬の見直しが要る人を選ぶ

200万人の患者集団を選別できるようになり、手作業で長くかかっていたカルテの確認が数分で終わるようになった。

2026年末までに循環器から一般内科や血管や消化器などへ広げる計画も進んでいる。

開発の遅さが医療サービスの改善を止めていた。

機能の要望はたまる一方で、規制の要件も次々と変わっていた。

1. 開発の流れ全体にClaude Codeを入れた
2. 細かい仕様を渡して動く機能のコードを書かせた
3. 課題管理の項目を読ませて実装の計画とタスク分解を任せる
4. 技術仕様書を書かせて見落としがちな例外の指摘も受ける
5. プルリクエストは必ずAIの確認を通す

4チーム約15人による3か月の試験で、テストケースの作成が80%速くなった。

原因の調査を自動でやらせることでバグ対応は90%速くなり、コードの品質は50%良くなった。

医師は診察を終えたあと毎晩2〜3時間をカルテの準備に取られていた。

がんの紹介患者は数百ページの記録に目を通す必要があり負担が重かった。

1. 自社のAWS環境の中にClaude Sonnet 4.5を置いた
2. 社内向けのBannerWiseを作り患者データが外へ出ない作りにした
3. 紹介元のPDFや院内の記録を読み込ませた
4. 経過と治療歴と現在の状態をまとめた文章を作らせた
5. 医師と記録係が内容を確かめて仕上げた

利用者の85%が大きな時間短縮を実感し、正確さと仕事の流れも良くなった。

がん領域の試験導入では1,400件を超える診療記録を処理した。

サイトの記事が数万ページまで膨らみ、必要な答えにたどり着くまで相当な根気が要る状態だった。

診断を受けた直後の人や夜中に不安になった親が途中で離れ、確認されていない外部の情報へ流れていた。

1. 本人と介護する側の質問20問に模範の答えを用意した
2. 同じ質問を5つのモデルに通し採点してClaudeを選ぶ
3. 編集委員が承認した3,200ページだけを答えの元にした
4. 資料に答えが無いときは推測せずヘルプラインへ案内する
5. 新しいモデルは同じ20問と人の確認を通してから出した

公開から1年たたないうちに、Sageとのやり取りは60,000件に達した。

1回のセッションでのやり取りは2.5倍に増えた。

患者や職員の声を集める取り組みはあったが部署ごとにばらばらだった。

データはあっても次の動きにつなげにくい状態が続いた。

1. 患者体験と職員体験の調査をQualtricsの一つの基盤へ集めた
2. QualtricsとEpicをつなぎ患者の声を診療データと並べて見る
3. アンケートの配信を自動で走らせ誰にラウンドが要るか分けた
4. 職員アンケートをQualtrics AIで読み解き管理職が確かめる
5. 予約が止まった患者へExperience Agentが対応し完了まで運ぶ

職員アンケートの回答率は91%増え救急部門で体験ラウンドを受けた患者の信頼は77.5%から95.8%へ上がった。

Googleの星評価も1.26ポイント上がって平均4.21になった。

術前と術後のフォローは患者の回復に欠かせないが医師の予定は埋まっている。

電話は行き違いが多く大勢の患者へ連絡を取り続けるのが難しかった。

1. 治療が決まった患者の記録を医療者がシステムに作る。
2. 術前と術後のメッセージを決まった時期に自動で届ける。
3. 患者は生年月日で本人確認をしてから術前の問診に答える。
4. 術後の痛みや質問をBotpressが読み取り必要なら医療者へ引き継ぐ。
5. 年齢や薬や手術の種類で文面を変え最後に満足度アンケートを送る。

利用率70%・患者満足度92%・人手を介さず完結した割合95%という数字になった。

8か月間の患者600人のうち電話での追加対応が必要だったのは10人だけだった。