MEDICT では、医療情報学・医療 DX 領域の一次文献を読み、要点と限界を整理してご紹介しています。今回は アンビエント AI スクライブ を扱った無作為化比較試験です。
この領域は製品の宣伝文句が先行しがちで、比較試験の結果は多くありませんでした。本研究は、その空白に対する最初期の検証のひとつです。
そもそも「アンビエント AI スクライブ」とは
スクライブ（scribe） はもともと「書記」の意味です。米国では、医師の診察に同席して代わりにカルテを入力する 医療スクライブ という職種が普及しています。医師が記録から解放され、患者と向き合う時間を確保するための仕組みです。
これを人ではなく AI が担うのが、AI スクライブ です。
アンビエント（ambient＝環境の、周囲の） は、医師が特別な操作をしなくてよいことを指します。従来の音声入力のように「これから入力します」と意識して話しかけるのではなく、診察室に置いたマイクが医師と患者の自然な会話をそのまま拾い、その内容から AI がカルテの下書きを組み立てます。
おおまかな流れは次のとおりです。
- 診察中の会話を録音する（患者の同意が前提）
- 音声を文字に起こす
- 大規模言語モデルが、会話から 診療記録の形式（主訴・現病歴・所見・評価・計画など）に再構成する
- 医師が確認し、修正して確定する
4 の工程は省けません。AI が作るのはあくまで下書きで、記録の責任は医師にあります。本研究で「不正確さ」が評価項目に入っているのは、このためです。
今回比較された2つの製品
| 製品 | 提供元 | 本社 | 特徴 |
|---|---|---|---|
| Dragon Ambient eXperience（DAX）Copilot | Microsoft | 米国 | 音声認識の老舗 Nuance 社の技術が基盤（同社は 2021 年に Microsoft が買収）。電子カルテ（Epic など）との統合が進んでおり、本研究ではモバイル版にも対応していた |
| Nabla | Nabla | フランス | 医療特化の生成 AI を開発するスタートアップ。診療記録の自動生成を主力とする。本研究の期間中、モバイル版への直接統合はなかった |
いずれも米国の医療機関で導入が進んでいる製品です。日本語対応の状況は製品・時期により異なるため、本研究の結果をそのまま国内の製品に当てはめることはできません。
取り上げる論文
| 題名 | Ambient AI Scribes in Clinical Practice: A Randomized Trial |
| 著者 | Lukac PJ, Turner W, Vangala S, ほか（カリフォルニア大学ロサンゼルス校ほか） |
| 掲載 | NEJM AI 2025;2(12)（2025年11月26日 オンライン先行） |
| DOI | 10.1056/aioa2501000 |
| 登録 | ClinicalTrials.gov NCT06792890 |
全文は PubMed Central（PMC12768499） で公開されています。
どんな研究か
14 の診療科にまたがる外来医師 238 人を、次の3群に 1対1対1 で無作為に割り付けた実践的な比較試験です。期間は 2024年11月4日から2025年1月3日。
- Microsoft Dragon Ambient eXperience（DAX）Copilot
- Nabla
- 通常診療（対照群）
割り付けの際、記録時間・ベースラインのバーンアウトスコア・週あたり外来日数のバランスを取っています。
主要評価項目は「記録に費やした時間の、ベースラインからの変化」 です。電子カルテ（Epic）のログから機械的に測っており、自己申告ではありません。
副次評価項目として、バーンアウト指標（Mini-Z 2.0）、医師の作業負荷（PTL）、仕事上の疲弊（PFI-WE）などを調査票で測っています。
結果 — 製品によって結論が分かれました
ここが本研究のいちばん重要な点です。
記録時間（主要評価項目）
| 群 | 対照群との差 | 95%信頼区間 | p値 |
|---|---|---|---|
| Nabla | −9.5% | −17.2% 〜 −1.8% | 0.02 |
| DAX | −1.7% | −9.4% 〜 +5.9% | 0.66 |
Nabla は記録時間を有意に減らしましたが、DAX では有意な変化がありませんでした。
信頼区間を見ると、DAX は「増える方向」も含んでおり、効果があるともないとも言い切れない幅に収まっています。
バーンアウト・作業負荷（副次評価項目）
こちらは両方の製品で改善の方向でした。
| 指標 | DAX | Nabla |
|---|---|---|
| Mini-Z 2.0（10〜50点・高いほど良好） | +2.83（+1.28〜+4.37） | +2.69（+1.14〜+4.23） |
| 作業負荷 PTL（0〜400・低いほど良好） | −39.9（−71.9〜−7.9） | −31.7（−63.8〜+0.4） |
| 仕事上の疲弊 PFI-WE（0〜4・低いほど良好） | −0.32（−0.55〜−0.08） | −0.23（−0.46〜+0.01） |
⚠️ Nabla の PTL と PFI-WE は、信頼区間が 0 をまたいでいます（+0.4、+0.01）。改善の方向ではあるものの、統計的には確定していません。
論文自身も「これらの副次評価項目の結果は、より大規模で多施設の試験による確認を要する」と述べています。
安全性
- 重篤度 grade 1（軽度）の有害事象が 1 件
- 「臨床的に意味のある不正確さ」は、5段階評価で 「ときどきある」に相当する水準（DAX 2.7 / Nabla 2.8）
AI が生成した記録には、ときどき誤りが混ざる。 これは論文の結論部でも「継続的な注意を要する」と明記されています。
見落としてはいけない数字 — 「使われなかった」割合
結果より前に、そもそもどれだけ使われたかを見る必要があります。
| 対象診察数 | 使用された割合 | |
|---|---|---|
| DAX | 24,696 件 | 33.5% |
| Nabla | 23,653 件 | 29.5% |
割り当てられた医師の約 15% は、ツールを一度も使いませんでした。
導入すれば使われる、という前提が成り立っていません。残りの 7 割の診察では、従来どおり医師が記録していたことになります。
日本の医療機関が製品を検討するとき、「効果があるか」より先に 「現場で実際に使われるか」 を見積もる必要がある——本研究がもっとも実務的に示唆しているのは、この点だと考えます。
著者が挙げた限界
論文を読む価値は、結果そのものより限界の記述にあります。著者は次を挙げています。
- 単一の学術医療機関での研究であり、英語の診療記録のみ。他の診療形態や季節への一般化には慎重さが要る
- 女性医師が 60% を占め、全米の医師における 38.1% と比べて偏りがある
- 契約条件の制約で研究期間が短く、医師がツールに習熟する前に終わった可能性がある
- Epic のログは各プラットフォーム内での編集時間を計測していないため、報告された時間短縮は過大推定の可能性がある
- Nabla はモバイル版（Haiku）に直接統合されておらず、DAX のみが対応していた（条件が対称ではない）
- 事後調査の回答率は 76〜82% で、非回答バイアスの可能性がある
4点目は特に重要です。「カルテを書く時間」は減っても、「AI の下書きを直す時間」は測られていません。 総労働時間が減ったとは、この研究からは言えません。
資金源は UCLA 医学部ほか。利益相反の詳細は補足資料に開示されています。
日本ではどうなっているか（2026年8月時点）
「では国内はどうなのか」が当然の疑問だと思います。日本でも同種のサービスは登場しています。 以下は本稿執筆時点で確認できた例で、網羅的な一覧ではなく、優劣を評価するものでもありません。
| 例 | 提供元 | 確認できる事実 |
|---|---|---|
| medicalforce intelligence「AI 音声カルテ」 | アトミックソフトウェア | 自由診療向けクラウド型電子カルテ「medicalforce」の機能として、2026年5月28日より先行提供を開始。診察中の音声をリアルタイムに文字起こしし、SOAP 形式などのテンプレートに沿ったカルテ下書きを生成（公式発表） |
| JCHO 北海道病院での実証 | NTT ドコモビジネス | 厚生労働省事業に採択され、2026年1月19日に発表。スマートフォンを診察室の音声入力端末とし、院内に設置したオンプレミス生成 AI で SOAP 草案を作成、SMART on FHIR で電子カルテへ取り込む。同社は「この一連を実現する医療機関は国内初」としている（公式発表） |
このほかにも、診療科や電子カルテ製品に特化したサービスが複数提供されています。
国内で確認しておきたい違い
① オンプレミスという選択肢
JCHO 北海道病院の事例は、音声とその解析を院内で完結させる構成です。診療の音声は要配慮個人情報を含むため、院外に出さない設計を求める施設は少なくありません。米国の主要製品はクラウド型が中心であり、ここは国内固有の論点になり得ます。
② 比較試験の公表が見当たらない
調べた範囲では、国内製品について本研究のような無作為化比較試験の結果は公表されていません。導入事例や「入力時間◯割削減」という数字は各社から出ていますが、対照群を置いた比較ではないものが大半です。
だからこそ、海外の比較試験を読んで論点の枠組みを持っておくことに意味があります。「どの数字を、どういう条件で測ったのか」を問う視点は、国内製品の検討にもそのまま使えます。
日本の医療機関にとっての読みどころ
そのまま日本に当てはめられる研究ではありません。診療報酬制度も、カルテの記載文化も、使用言語も違います。日本語での性能は、この研究からは何も分かりません。
そのうえで、持ち帰れる論点は3つあると考えます。
① 「AI スクライブ」で一括りにしない
同じカテゴリの2製品で、主要評価項目の結果が分かれました。製品選定は、カテゴリではなく個別の検証で行う必要があります。
② 効果検証は「使用率」から設計する
7 割の診察で使われていない状態では、平均値は薄まります。導入の成否を測るなら、まず使用率、次に効果です。
③ 「時間が減る」の中身を定義しておく
記録時間が減っても、確認・修正の時間が増えれば、現場の実感は変わりません。どの時間を測るのかを、導入前に決めておく価値があります。
MEDICT について
MEDICT は、大学病院の医療情報部・県立病院の電子カルテ統括などに携わってきたメンバーで構成し、医療機関のデータ活用と業務改善をご支援しています。
製品選定のセカンドオピニオン、要件定義・RFP 作成の支援も承っています。
ℹ️ 本記事は原著論文を読んだうえで、要点と限界を当社の言葉で整理したものです。 本文・図表の転載は行っていません。正確な内容は原著（DOI: 10.1056/aioa2501000）をご参照ください。 特定の製品を推奨・非推奨するものではありません。