※本記事は、AWS re:Invent 2024で行われた「Interview intelligence: Criteria's innovative use of AWS and gen AI (SMB201)」というセッションの内容を基に作成されています。このセッションでは、Blake Anderson氏がSwitchboard MDの取り組みについて解説しています。セッションの詳細情報はhttps://www.youtube.com/watch?v=IIz5PJKcW3M でご覧いただけます。本記事では、セッションの内容を要約・構造化しております。なお、本記事の内容は発表者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの動画をご覧いただくことをお勧めいたします。AWS関連の最新情報については、AWS公式サイトやイベント情報（https://go.aws/3kss9CP ）もご参照ください。
1. イントロダクション
1.1. プレゼンターの紹介
プレゼンター：皆さん、ありがとうございます。私はこれまでの経験で多くのヘルスケア組織と話す機会がありましたが、彼らが提供するサービスと私自身が一患者として持つニーズの間には大きなギャップがあると感じてきました。多くの場合、その関わりは冷たく事務的で、最終的には私をより混乱させ、フラストレーションを感じさせることが多いのです。皆さんも同じような経験をされたことがあるのではないでしょうか。
Switchboard MDは、Blake Andersonによって2021年に設立されました。彼とそのチームは、技術的に関連性があり、迅速に価値を提供するソリューションを提供するために立ち上げられました。Blake氏とそのチームは、AIを通じて医療に人間的な価値や繋がりを取り戻すためのソリューションを設計することに力を注いでいます。
彼らのポートフォリオには複数のソリューションがありますが、本日Blakeが紹介するのは、医療における人間体験の統一性を取り戻すための技術活用型エージェントについてです。
Blake：ありがとうございます。私たちのタイトルは最初、少し皮肉に聞こえるかもしれません。多くの人が、特に患者に直接関わる分野での医療における生成AIというと、人間とのつながりを避けようとするものだと考えがちです。しかし、私たちは同じテクノロジーを使って、データ抽出やデータ入力などの単調な作業を自動化することで効率を向上させ、大きなメリットが得られると考えています。人間のループを完全に置き換えるのではなく、こうした効率化によって実際には医療における人間的なつながりを避けるのではなく、むしろ回復させることができるのです。特にコールセンターのソリューションでは、生成AIに関連するこうした改善は、エージェントが人間にしか解決できない問題に集中するのに役立ちます。
1.2. Switchboard MDの設立背景（2021年、Blake Anderson氏）
プレゼンター：Switchboard MDは2021年にBlake Andersonによって創設されました。彼は医療分野における具体的なニーズに対応するために会社を立ち上げました。特に、技術的に関連性があり、迅速に価値を提供するソリューションを提供することを目的としています。
Blake：私たちSwitchboard MDは、医療における特定のニーズに対応するために2021年に設立されました。私たちの創業理念は単純でした。患者が医療機関と接触する際に感じる冷たさや混乱、フラストレーションという問題を解決したかったのです。現代の医療現場では、技術は進化しているものの、人間的な要素が失われつつあると感じました。
プレゼンター：Blakeとそのチームは、AIを通じて医療に人間的な価値や繋がりを取り戻すための複数のソリューションを設計してきました。彼らのポートフォリオには様々なソリューションがありますが、本日のプレゼンテーションでは、医療における人間体験の統一性を取り戻すための技術活用型エージェントについて紹介します。
Blake：私たちが開発している製品は、単なる技術導入ではなく、医療における人間的な要素を回復させることを目的としています。特に患者とのコミュニケーションの最前線にあるコンタクトセンターは、多くの医療機関にとって改善の余地が大きい領域です。そこで私たちは、先進的なAIと効率的なデータ処理を組み合わせ、テクノロジーによって人間同士のより良い繋がりを実現するという、一見矛盾するようなアプローチを取っているのです。
1.3. 医療におけるAIと人間のつながりの重要性
Blake：私たちのプレゼンテーションのタイトルは、最初は少し皮肉に感じられるかもしれません。一般的に、特に患者対応の場面で生成AIと医療を関連付けると、人間同士のつながりを避けるためのものだと考えがちです。しかし、私たちの考え方はまったく逆なのです。
プレゼンター：Blakeさん、つまり生成AIを使って人間的なつながりを強化するということですか？その考え方について詳しく教えていただけますか。
Blake：はい、その通りです。私たちが提唱しているのは、データ抽出やデータ入力などの単調なタスクを自動化することで、効率性を大幅に向上させるという方法です。人間のループを完全に排除するのではなく、むしろこれらの技術的な改善によって、医療における人間的なつながりを避けるのではなく、回復させることができると考えています。
プレゼンター：具体的にはどのような効果が期待できるのでしょうか？
Blake：特にコールセンターのソリューションでは、生成AIに関連するこうした改善によって、コールセンター担当者が人間にしか解決できない問題に集中できるようになります。単純なデータ処理や標準的な質問への対応をAIに任せることで、担当者は患者一人ひとりの複雑なニーズや感情に寄り添う時間を確保できるのです。
私たちは医療における技術の導入が、冷たく機械的な体験を生み出すのではなく、むしろ医療従事者と患者の間の意味のある人間的な関わりを強化するものであるべきだと信じています。それこそが、Switchboard MDが目指す姿なのです。AIによって解放された時間とリソースを、真に人間的な価値を提供する活動に向けることができれば、医療の質と患者満足度の両方を向上させることができます。
2. 医療コンタクトセンターの現状と課題
2.1. コミュニケーション手段の多様性（オンラインポータル、SMS、電話など）
Blake：なぜコンタクトセンターが今もなお重要なのかということについてお話ししたいと思います。多くの方は気づいていないかもしれませんが、患者とのコミュニケーションは非常に複雑な分野で、様々な形態で行われています。
プレゼンター：具体的にはどのような通信手段が使われているのですか？
Blake：オンラインポータル、SMSテキスト、Eメール、従来の電話システム、Press Ganeyスコア、Yelpレビューなど、多岐にわたります。これらすべてが患者と医療機関の間のコミュニケーションチャネルとして機能しています。
プレゼンター：それだけ多様なチャネルがあるにも関わらず、従来の電話システムの重要性は変わらないのでしょうか？
Blake：その通りです。実は、医療システムと最も頻繁に接触する人々、特に高齢者や複雑な医療問題を抱える患者さんは、他の手段よりも従来の電話システムを通じてやり取りすることを好む傾向があります。これは非常に重要なポイントで、デジタル化が進む現代においても、電話を通じたコミュニケーションの価値は依然として大きいのです。
実際、患者さんにとってコンタクトセンターの担当者は、予約、臨床的な質問、処方箋の再発行依頼、請求書の問題など、あらゆる問い合わせに対する主要な接点となっています。そのため、これらすべての質問に効率的かつ正確に回答できることは、良好な臨床結果、患者満足度、そして運用効率を維持するために極めて重要なのです。
もう一つ特筆すべき点は、特に予約に関しては、多くの診療医がオンラインの自己予約ツールを完全に受け入れることにまだかなりの躊躇があるということです。様々な理由から従来の方法を好む医師が多いのです。そのため、私たちは、コンタクトセンターは予見可能な将来にわたって非常に重要な役割を果たし続けると考えています。
2.2. 高齢者や複雑な医療問題を持つ患者の電話システム選好
Blake：医療システムとの接触が最も多い患者層、特に高齢者や複雑な医療問題を抱える方々は、他の通信手段よりも従来の電話システムを通じたやり取りを好む傾向があります。これは見過ごせない重要な事実です。
プレゼンター：なぜ彼らは従来の電話システムを好むのでしょうか？新しいデジタルツールではなく。
Blake：いくつか理由があります。まず、高齢者の中にはデジタル技術に不慣れな方が多く、オンラインポータルやアプリの操作に不安を感じる方が少なくありません。また、複雑な医療問題を抱える患者さんは、自分の症状や懸念を詳細に説明する必要があり、それには人間と直接会話する方が適していると感じているのです。
さらに、電話を通じたコミュニケーションでは、相手の声のトーンや感情を感じ取ることができます。病気や健康問題に不安を抱えている時、人間的な温かみのある応対は非常に重要です。テキストベースのコミュニケーションでは得られない安心感があるのです。
プレゼンター：そうした患者層にとって、コンタクトセンターはどのような役割を果たしているのですか？
Blake：コンタクトセンターの担当者は、予約調整から臨床的な質問、処方箋の再発行依頼、請求に関する問題まで、あらゆる問い合わせの主要な接点となっています。特に複雑な医療状態にある患者さんにとって、適切な情報と支援を受けられるかどうかは治療成果に直接影響します。
例えば、特定の専門医の予約が必要な場合や、複雑な治療スケジュールの調整が必要な場合、患者さんは単にボタンをクリックするだけでなく、状況を理解してくれる人間と話したいと思うのです。また、緊急性の判断や適切な部門への案内など、人間の判断が必要な状況も多くあります。
予約に関しては特筆すべき点があります。多くの診療医が、様々な理由からオンラインの自己予約ツールを完全に受け入れることにまだ躊躇しています。一部の専門分野では、患者の状態や必要な検査によって予約時間が大きく異なるため、標準化された予約システムでは対応が難しいのです。
こうした要因から、コンタクトセンターは予見可能な将来にわたって医療エコシステムの中で非常に重要な役割を担い続けると私たちは確信しています。
2.3. 主な問題点
Blake：現在のコンタクトセンターが抱える問題について詳しく説明したいと思います。まず、待ち時間の問題から始めましょう。皆さんの多くは、医療機関だけでなく他の業種でも経験されているかもしれませんが、ほとんどの医療施設のコンタクトセンターは完璧とは言えない状況にあります。
プレゼンター：具体的にはどのような問題が発生しているのでしょうか？
Blake：患者さんは電話で20分も保留にされ、ようやく対応した担当者に情報を伝えたのに、別の担当者に転送され、また同じ情報を最初から説明しなければならないことがよくあります。そして、それでも質問が解決されないこともあるのです。長時間待たされた挙げ句に質問に答えてもらえないという状況は、患者満足度の観点から非常に良くありません。
また、別の問題として患者のリークという現象も発生します。保留時間が長すぎることで、患者さんが待ちきれずに別の医療機関に行ってしまうケースや、臨床的な状況を無視してしまうケースも少なくないのです。
プレゼンター：そのような長い待ち時間は何が原因なのでしょうか？
Blake：主な原因はスタッフ不足、高い離職率、そしてスタッフの燃え尽き症候群です。電話で入ってくるあらゆる種類の質問に対応するのは非常に複雑なプロセスです。患者さんが抱える医療問題も複雑であることが多いですから。
スタッフを常に再訓練しなければならず、そのスタッフが必ずしも広範な臨床訓練を受けていない場合、それは明らかに困難な状況です。
さらに、旧式のIVRシステム、つまり番号ベースの自動音声応答システムに依存していることも大きな問題です。これらのシステムは往々にして医療業務を十分に理解していない人々によって設計されています。
プレゼンター：そのIVRシステムの問題点を具体的に教えていただけますか？
Blake：患者さんは適切な部門がどれなのか分からないことがあります。正しい番号がどれなのか分からないこともあります。「これは予約の問題なのか？臨床的な質問なのか？請求の問題なのか？それともすべてなのか？」多くの患者さんは医学に関する訓練を受けていないため、最初から正解を知らないのです。そのため、事前に定義された選択肢に押し込もうとするのは、ある意味災害のレシピと言えます。
これらの複雑な番号システムをナビゲートしようとすると、誤った方向への誘導、不必要な転送、患者の不満や混乱、そして臨床的な遅延が発生することがあります。
さらに問題を悪化させているのは、離職率の高いスタッフが、あらゆる状況に対して次のステップを知るために、複雑な決定ツリーを暗記するか、バージョン管理されていない複雑なスプレッドシートを開いたままにしておかなければならないことです。
プレゼンター：そのような状況が患者にどのような影響を与えるのでしょうか？
Blake：これらの複雑なルールシステムのために、患者さんが誤った医療提供者に案内されたり、コンタクトセンター内で不必要に振り回されたりすることになります。例えば、脊椎外科医を必要としていた患者が手の外科医に案内されてしまうようなミスマッチが発生します。
あるいは、非常に珍しいがんの専門的な治療が必要な患者が、そのがんを専門とする腫瘍科医に長期間会えないこともあります。なぜなら、その腫瘍科医のスケジュールが不適切に割り当てられた患者で一杯になっているからです。
最後に、現在の状況では、コンタクトセンターのスタッフはすべての問題を解決するために複数のウィンドウを開いておく必要があります。電子カルテ、保険会社のポータル、請求システムなど、様々なシステムを同時に操作しなければなりません。通常、これらのシステムは互いにうまく連携していません。
その理由の一つは、医療記録の照合が非常に複雑なプロセスであり、不必要な医療ミスを避けるために細心の注意を払う必要があるからです。これを正確に行うことは非常に重要なのです。
3. 実例：患者体験の課題
3.1. 発表者の妻の実体験（心臓MRI予約の困難）
Blake：私が今からお話しする内容は、実は最近追加された事例なのですが、個人的な話として、これは今日、私の妻に実際に起きたことなのです。
プレゼンター：本当ですか？今日あなたの妻に起きたことなのですね。どのような状況だったのですか？
Blake：はい。私の妻は心臓不整脈を持っていて、昨日、食料品店で失神発作を起こしました。これは医学用語では「失神」と呼ばれる状態です。彼女は担当の心臓電気生理学専門医に電話をしました。医師は心臓MRIを指示しました。これはかなり特殊な検査です。
プレゼンター：そして、その検査を予約するのに問題があったのですね？
Blake：その通りです。彼女は医療システムに電話をかけましたが、検査を予約するまでに6人もの異なるスタッフの間をたらい回しにされました。彼女が気づいたのは、それぞれのスタッフが非常にイライラしており、急いでいて、この状況について混乱しているように見えたということです。
おそらく、彼らはこの特定の検査について本当に理解していなかったのでしょう。また、このようなシナリオでどの決定ツリーを使うべきかわからなかったのだと思います。
プレゼンター：それは本当に大変な体験ですね。特に医学的に重要な状況にある時に、そのような困難に直面するというのは。
Blake：そうなんです。このケースが示しているのは、医療コンタクトセンターが抱える問題が単なる理論上の課題ではなく、実際に患者の医療体験に大きな影響を与えているということです。特に心臓の問題のような急を要する状況では、スムーズな予約プロセスは単なる利便性の問題ではなく、適切な治療へのアクセスに関わる重要な問題となります。
妻は医療の専門家ではないですが、心臓MRIという検査の名前は知っていました。しかし、一般的な患者さんの場合、このような専門的な検査名を伝えることさえ難しいかもしれません。そして、彼らがたらい回しにされるたびに、情報が失われたり、検査の緊急性が伝わらなくなったりする可能性があるのです。
3.2. 6人のスタッフ間のたらい回し
Blake：先ほどお話しした妻の体験をもう少し詳しくお伝えします。心臓MRIという特殊な検査の予約を取るために、彼女は6人もの異なるスタッフの間をたらい回しにされました。これは単なる偶然ではなく、現在のコンタクトセンターの構造的な問題を示しています。
プレゼンター：なぜそのようなたらい回しが発生したのでしょうか？技術的あるいはプロセス的に何が問題だったのですか？
Blake：まず第一に、最初に電話に出たスタッフは一般的な予約担当者だったのでしょう。彼らは標準的な検査や診察の予約には慣れていますが、心臓MRIという特殊な検査については知識がなかったのです。そこで彼らは別の部門に転送しました。
次に対応したスタッフも恐らく、この具体的な検査についての知識や、どの決定ツリーに従うべきかわからなかったため、また別の担当者に転送しました。この過程が繰り返され、結果的に6人ものスタッフを経由することになったのです。
プレゼンター：各転送の際に情報は適切に引き継がれたのでしょうか？
Blake：それが大きな問題です。各転送の際に、妻は毎回同じ情報を繰り返し説明しなければなりませんでした。彼女の個人情報、医師の指示内容、失神した状況、そして必要な検査について、6回も繰り返し説明することになったのです。
これは情報の連続性が失われる典型的な例です。最初のスタッフが収集した情報は次のスタッフに適切に引き継がれず、患者は同じ情報を何度も繰り返すことを強いられます。これは患者にとって時間の無駄であるだけでなく、フラストレーションの原因にもなります。
さらに、このような断片化されたプロセスでは、重要な医療情報が転送の過程で失われるリスクもあります。例えば、検査が必要となった医学的理由や緊急性が適切に伝わらない可能性があるのです。
プレゼンター：このような状況は医療の質や安全性にも影響を与える可能性がありますね。
Blake：その通りです。医療情報が正確に伝わらないことで、不適切な優先順位付けや遅延が発生する可能性があります。妻のケースでは幸い大きな問題にはなりませんでしたが、より緊急性の高い状況では、このような非効率的なプロセスが重大な結果をもたらす可能性もあるのです。
このような体験は、私たちSwitchboard MDが解決しようとしている核心的な問題です。患者情報をシームレスに共有し、適切な担当者に最初から適切な情報を提供することで、このようなたらい回しを大幅に減らすことができるのです。
3.3. スタッフの混乱と焦り
Blake：妻が特に印象に残ったと言っていたのは、彼女が話した6人のスタッフ全員が明らかにイライラしていて、急いでいて、この状況について混乱しているように見えたということです。これは単なる個人的な問題ではなく、システム全体の問題を反映しています。
プレゼンター：スタッフの混乱や焦りは何が原因だと考えられますか？
Blake：根本的な原因はいくつかあります。まず、彼らは恐らくこの特定の検査、つまり心臓MRIについて十分な知識がなかったのでしょう。医療検査には何百もの種類があり、すべてを詳細に理解することは現実的ではありません。特に高い離職率と限られたトレーニング時間を考えると、専門的な知識の欠如は避けられない問題です。
次に、彼らはこのようなシナリオでどの決定ツリーを使うべきかわからなかったのだと思います。先ほど説明したように、多くの医療機関では複雑な決定プロセスがスプレッドシートやマニュアルに記載されています。心臓MRIのような特殊な検査が必要になった場合、適切なプロトコルを素早く見つけることは困難です。
プレゼンター：患者側から見ると、スタッフの混乱はどのように感じられるのでしょうか？
Blake：患者にとっては、スタッフの混乱や焦りは不安を増幅させます。特に健康上の問題を抱えているときには、医療システムの代表者から落ち着いた自信のある対応を期待しますが、それが得られないと不安が高まります。
妻の場合、失神を経験した直後で心臓の問題に関連する検査が必要な状況でした。そのような時に、支援してくれるはずのスタッフが混乱していると、それ自体がさらなるストレスとなります。
さらに、各スタッフはおそらく複数のシステムを同時に操作しなければならなかったでしょう。電子カルテ、予約システム、放射線部門の特殊システムなど、いくつものウィンドウを切り替えながら対応することで、焦りや混乱が増幅されたと考えられます。
これは患者の体験を損なうだけでなく、スタッフ自身にとっても非常にストレスフルな環境です。彼らはおそらく患者に最高のサービスを提供したいと思っているにもかかわらず、現在のシステムやプロセスによって制限されているのです。
4. Switchboard MDのソリューション
4.1. 現状の患者フロー vs 新しいアプローチ
Blake：私たちSwitchboard MDはこれらの問題をどのように解決しているのか、ご説明しましょう。まず、現在の状態を見てみましょう。私の妻が経験したような、そして多くの方々が経験されているような状況です。
プレゼンター：現状のフローから説明していただけますか？
Blake：現在の状態では、患者さんは電話をかけ、電話ツリーをナビゲートし、ある程度の時間（できれば短時間）保留にされた後、担当者と接続します。担当者は患者さんの個人情報を取得し、医療記録を検索して患者さんが誰であるかを確認します。そして、この問題を解決するために、おそらく一連の標準化された質問を通して進めていきます。
これはすべてリアルタイムで行われています。そして、先ほど述べたようなエラーが多く発生します。これが現状です。
プレゼンター：そして、Switchboard MDのアプローチはどのように異なるのでしょうか？
Blake：私たちのアプローチは、患者さんが接続する前に、すべての情報をエージェントにリアルタイムで即座に提供することです。これにより、彼らはできるだけ早く問題を解決することができ、すべての標準化された質問や医療記録の照合に悩む必要がなくなります。これにより多くの時間が節約されます。
私たちは、新しい音声文字起こしサービスを使用することで、これらの標準化された質問や医療記録の照合が自動化された方法で非常に効果的に行えることを発見しました。そして、これらはすべて患者さんが担当者に接続される前に行うことができるのです。
プレゼンター：つまり、患者が電話をかけてから担当者につながるまでの間に、システムが自動的に情報を収集・処理するということですね？
Blake：その通りです。これは、医療における人間とのつながりを改善する方法の最初のポイントの一つです。なぜなら、医療記録の検索や標準化された質問の応答など、単調な管理タスクをすべて自動化することで、エージェントは電話の向こう側にいる患者さんに集中し、人間だけが解決できる問題を解決することができるからです。
もう一つのポイントは、事前にこれらの質問に答えることで、より高度なAIモデルを使用して、それらの質問と回答を解釈し、スタッフに推奨アクションを提供できるということです。これにより、次のベストステップを特定し、医療記録からの文脈も把握することができます。
このアプローチの革新的な点は、従来のように患者情報を収集してから問題解決に進むという順序を逆転させることにあります。患者さんが接続する前に、AIが可能な限り多くの情報を収集・解析し、担当者が患者さんとの会話を始める前に必要な情報とアクションプランを準備しておくのです。これにより、患者体験は劇的に向上し、担当者の効率と正確性も大幅に改善されます。
4.2. 患者接続前の情報収集と事前処理
Blake：私たちのアプローチの核心部分は、患者さんがエージェントに接続される前に行われる情報収集と事前処理です。最新の音声文字起こしサービスを活用することで、従来は人間のエージェントが行っていた標準化された質問への対応や医療記録の照合を自動化できることがわかりました。
プレゼンター：具体的にどのような情報を事前に収集するのですか？また、その処理はどのように行われるのでしょうか？
Blake：まず、患者さんが電話をかけると、私たちのシステムは音声認識技術を使って、患者さんの個人情報（氏名、生年月日など）を収集します。これにより、即座に電子カルテシステムとの照合が開始されます。
同時に、患者さんが電話をかけた理由や具体的なニーズについても情報を収集します。例えば「心臓MRIの予約をしたい」という情報や、「昨日失神した」といった症状の情報なども取得します。
プレゼンター：その情報はリアルタイムで処理されるのですか？
Blake：はい、すべてリアルタイムで処理されます。収集された情報は即座に解析され、患者が人間のエージェントと接続される前に準備が整います。これは単なる情報の収集だけではなく、その情報の意味を理解し、適切なコンテキストで提供することが重要です。
例えば、「心臓MRI」という言葉を認識した場合、システムはこれが特殊な検査であることを理解し、適切な部門や予約プロトコルを特定します。また、「失神」という情報から、ある程度の医学的緊急性を推測することもできます。
こうした事前処理により、患者さんがエージェントと接続した瞬間から、エージェントは既に状況を把握し、必要なアクションを取る準備ができているのです。患者さんは同じ情報を何度も繰り返す必要がなく、エージェントも基本的な情報収集に時間を費やす必要がありません。
この方法の大きな利点は、エージェントが患者さんとの会話を、フォームへの情報入力という事務的なタスクではなく、実際の人間同士のコミュニケーションとして進められることです。これにより、より効率的で共感的な患者体験を提供することができるのです。
4.3. 自動化による定型業務の削減
Blake：私たちが提案する解決策の大きなメリットの一つは、自動化によって定型業務を大幅に削減できる点です。これは単なる効率化だけでなく、医療における人間のつながりを回復するための重要なステップなのです。
プレゼンター：定型業務の自動化というと具体的にどのようなタスクが該当するのでしょうか？
Blake：ここで言う定型業務とは、医療記録の検索やマッチング、標準化された質問への対応、データ入力などの単調な管理タスクを指します。現在のシステムでは、コンタクトセンターのスタッフがこれらの作業に多くの時間を費やしています。
例えば、患者さんが電話をかけてきたとき、スタッフはまず基本的な個人情報を聞き取り、それを使って電子カルテシステムで患者を検索します。そして正しい患者記録を見つけたら、来院理由や症状について一連の標準的な質問をします。これらは必要なプロセスですが、人間のスタッフが手動で行うには時間がかかり、エラーも発生しやすいのです。
プレゼンター：それをどのように自動化するのですか？
Blake：私たちのシステムでは、最新の音声認識と自然言語処理を使って、これらのプロセスを自動化します。患者さんが電話をかけると、システムは自動的に会話を文字起こしし、その内容から患者情報を抽出します。そして電子カルテシステムと照合して、該当する患者記録を瞬時に特定します。
同時に、システムは会話から患者さんの主訴や症状に関する情報も抽出し、通常スタッフが聞くであろう標準的な質問に対する回答も自動的に集めます。これらはすべて、患者さんが人間のスタッフと話す前に完了します。
このアプローチの素晴らしい点は、新しい音声文字起こしサービスと生成AIの能力を組み合わせることで、これらの定型的なタスクを非常に効率的かつ正確に実行できることです。こうした技術の進歩により、従来は必ず人間が行う必要があった作業の多くを自動化できるようになりました。
これによって得られる時間の節約は非常に大きく、患者さんの待ち時間が短縮されるだけでなく、スタッフが本当に価値を提供できる活動に集中できるようになります。医療記録の検索やデータ入力などの単調な作業から解放されることで、スタッフは患者さんの本当のニーズに集中し、より共感的で効果的なケアを提供できるのです。
4.4. 人間のエージェントが価値を提供できる領域への集中
Blake: これは医療における人間的なつながりを回復する方法の一つの重要なポイントです。私たちのアプローチを導入することで、医療記録の検索や標準化された質問への対応など、すべての単調な管理タスクを自動化できます。これにより、エージェントは電話の向こう側にいる患者さんに集中し、人間だけが解決できる問題に取り組むことができるようになります。
プレゼンター: 人間のエージェントが集中すべき「価値を提供できる領域」とは具体的にどのようなものでしょうか？
Blake: 人間のエージェントが真に価値を提供できる領域は複数あります。まず、複雑な臨床的判断が必要な状況です。例えば、症状の緊急性を評価したり、患者さんの不安を理解し適切に対応したりする場面です。AIは多くのことを自動化できますが、微妙なニュアンスや感情を理解する人間の能力には及びません。
また、患者さんが複雑な医療状況を抱えている場合、その全体像を把握し、適切な判断をするには人間の経験と直感が不可欠です。「私はこの薬を飲んでいるけど、別の症状も出てきた」といった複雑な状況に対応するには、単なるプロトコルだけでなく、人間の判断力が必要なのです。
さらに、患者さんが恐怖や不安を感じている場合、それに共感し、安心させるのは人間にしかできません。例えば、重大な診断結果を待っている患者さんや、初めて特殊な検査を受ける患者さんには、技術的な情報だけでなく、感情的なサポートも必要です。
プレゼンター: そうすると、AIは定型業務を引き受け、人間は本来の「人間らしさ」を発揮する部分に集中できるということですね。
Blake: まさにその通りです。私たちのシステムの目的は、人間のエージェントが最も価値を提供できる部分に集中できるよう、AIと先進技術を活用して他のすべての障壁を取り除くことです。エージェントは患者さんとの会話の中で、データ入力や情報検索といった作業に気を取られることなく、患者さんの声に耳を傾け、彼らのニーズを理解し、最適な解決策を提供することに集中できるのです。
これにより、コンタクトセンターのエージェントは単なる情報処理者ではなく、医療チームの重要な一員として、患者さんのケアに直接貢献できるようになります。結果として、患者満足度の向上、医療成果の改善、そしてエージェント自身の仕事満足度の向上につながるのです。
これこそが私たちが目指す、テクノロジーを使って医療における人間的なつながりを回復するという理念の具体的な実現方法です。テクノロジーが人間を置き換えるのではなく、人間がより人間らしく振る舞えるようにサポートするのです。
5. 技術的実装
5.1. フロントエンドアプリケーションの概要
Blake: 私たちが開発したフロントエンドアプリケーションについて説明したいと思います。これは、患者さんとつながった時にコールセンターのスタッフが使用するインターフェースです。
プレゼンター: そのインターフェースはどのように設計されているのですか？既存のシステムとはどう違うのでしょうか？
Blake: これは、私たちが作成したフロントエンドアプリのモックアップです。患者さんが担当者につながる頃には、コールセンター担当者の画面には問題を解決するために必要なすべての情報がクリーンに表示されています。医療記録からの情報（最近の診察、処置、処方箋、指示など）、かつてはスプレッドシートにしか存在しなかった質問への回答などが一目で確認できます。
プレゼンター: 他にどのような機能がありますか？
Blake: 感情分析機能も組み込まれており、会話を始める前に患者さんが怒っているかどうかを識別することができます。また、自動化された臨床トリアージ機能もあり、緊急度の評価ができます。さらに、患者さんの入力に基づいて生成されたAIによる推奨アクションも表示されます。
これらの利点は、すべてがリアルタイムで行われ、別のウィンドウではなく、同じアプリ内で表示されるという点です。
プレゼンター: これはスタッフのトレーニングにも役立ちそうですね。
Blake: その通りです。スタッフの高い離職率やトレーニングの負担という問題に戻りますが、このシステムではすべての情報を即座に提供するだけでなく、組織の標準プロトコルに基づいた推奨アクションも提供することで、トレーニングに関する障壁を大幅に減らすことができます。
私たちのフロントエンドアプリケーションは、複数のシステムを行き来する必要をなくし、患者情報、医療記録、推奨アクションをすべて一つの画面にまとめています。これにより、新しいスタッフでも短期間のトレーニングで効果的に業務を行うことができ、患者さんとの会話に集中できるようになります。
5.2. リアルタイム情報表示ダッシュボード
Blake: 私たちのダッシュボードの核心部分は、すべての情報をリアルタイムで表示する機能です。患者さんがエージェントにつながる時点で、画面上には問題解決に必要なあらゆる情報が整理されて表示されています。主な機能について詳しく説明しましょう。
プレゼンター: まず患者の医療記録情報についてはどのように表示されるのでしょうか？
Blake: 医療記録情報は、エージェントが最も頻繁に参照する情報を中心に表示されます。具体的には、最近の診察履歴、実施された処置、処方されている薬剤、医師からの指示などが一目で確認できるようになっています。従来のシステムでは、これらの情報を得るためには別の電子カルテシステムにログインして検索する必要がありましたが、私たちのダッシュボードではこれらの情報が自動的に収集され、関連性の高い順に表示されます。
例えば、心臓MRIを予約しようとしている患者さんの場合、心臓関連の既往歴や最近の診察結果が優先的に表示されます。これにより、エージェントは患者の状況を即座に把握できるのです。
プレゼンター: 感情分析機能はどのように機能するのですか？
Blake: 感情分析は音声の特徴やテキスト内容から患者さんの感情状態を評価します。例えば、会話を始める前に患者さんが怒っているか、不安を感じているか、落ち着いているかを識別することができます。これは非常に重要な情報で、エージェントが会話のトーンや対応方法を適切に調整するのに役立ちます。
例えば、システムが患者さんの怒りや強いフラストレーションを検出した場合、エージェントはより共感的なアプローチを取り、まず感情に対応してから実務的な問題解決に移ることができます。これにより、エージェントは心理的に準備ができた状態で会話を始めることができるのです。
プレゼンター: 自動臨床トリアージについても教えてください。これは医学的な判断をAIが行うということでしょうか？
Blake: 自動臨床トリアージは、患者さんの状態の緊急度を評価する機能です。これは医師の判断を代替するものではなく、エージェントが適切な優先順位付けを行うための支援ツールです。システムは患者との会話から症状や状況を分析し、一般的な臨床ガイドラインに基づいて緊急度を示唆します。
例えば、「胸痛」や「呼吸困難」などの緊急性の高い症状が言及された場合、システムはこれを高優先度としてフラグを立て、エージェントに即座に適切な部門に転送するよう促します。これにより、緊急を要する状況への対応が迅速化されます。
プレゼンター: AIによる推奨アクションとは具体的にどのようなものですか？
Blake: AIによる推奨アクションは、患者さんの入力と医療記録の分析に基づいて、エージェントが取るべき次のステップを提案するものです。これは組織の標準プロトコルに基づいており、特に複雑なケースや新しいスタッフにとって非常に価値があります。
例えば、心臓MRIの予約を希望する患者さんの場合、システムは「放射線科の予約部門に連絡し、心臓MRIの緊急枠を確認する」「担当医師に電子カルテでメッセージを送る」「患者に前処置の説明をする」などの具体的なアクションを提案します。
これらの推奨アクションは、以前はスタッフが17タブもあるExcelシートから探し出さなければならなかった情報を、即座に提供します。これにより、エージェントはプロセスの各ステップを覚える必要がなくなり、患者との会話に集中できるようになります。
これらの機能がすべて一つの画面に統合されていることで、エージェントは複数のシステム間を行き来する必要がなく、患者体験を大幅に向上させることができるのです。
6. 導入事例
6.1. カリフォルニアの整形外科グループでの実装
Blake: 私たちのソリューションを実際に導入した最初のクライアントの一つは、カリフォルニアの整形外科マルチセンターグループです。彼らからの要望はいくつかありました。まず、予約のためのインテリジェントなIVRシステムを導入し、通話理由をキャプチャして適切なエージェントにすぐに接続することを望んでいました。
プレゼンター: 他にどのような機能の実装を求められましたか？
Blake: 彼らは、ライブ文字起こしと要約機能、リアルタイムの医療記録照合、会話の分析、そして適切な担当者への即時接続も求めていました。これらはまさに私たちが開発してきたコア機能でした。
特に興味深かったのは、彼らの現状の運用環境です。当時、意思決定ツリーは17のタブを持つExcelドキュメントに格納されていたのです。コールセンターのスタッフは、正しい患者さんと正しい外科医のスケジュールを設定するために、これら17のタブを行き来する必要がありました。
プレゼンター: それは非効率的ですね。導入後はどのように改善されたのでしょうか？
Blake: 導入後は、コールセンターのスタッフが一つの統合されたインターフェースで作業できるようになりました。患者さんが電話をかけると、システムは自動的に会話を文字起こしし、医療記録と照合します。そして患者の症状や要望に基づいて、適切な専門医へのルーティングを推奨します。
例えば、膝の痛みを訴える患者さんが電話してきた場合、システムは自動的にその症状を認識し、患者の医療記録と照合した上で、適切な膝専門の整形外科医を推奨します。これにより、以前は17のタブを行き来して情報を探していたプロセスが数秒で完了するようになりました。
患者さんもエージェントも、この変化に非常に満足しています。患者さんは以前よりもはるかに迅速かつ正確に適切な専門医に案内されるようになり、エージェントは複雑なExcelシートを操作する代わりに、患者さんとの会話に集中できるようになりました。
このプロジェクトは、私たちの技術がどのように実際の医療環境で価値を提供できるかを示す素晴らしい例となりました。複雑な意思決定プロセスをAIでサポートすることで、人間のエージェントがより効果的に患者さんをサポートできるようになったのです。
6.2. 現状：17タブのExcelシートでの運用
Blake: カリフォルニアの整形外科グループの事例で特に興味深かったのは、彼らの意思決定プロセスの現状でした。彼らの決定ツリーは、なんと17のタブを持つExcelドキュメント内に存在していたのです。
プレゼンター: 17タブのExcelシートですか？それは具体的にどのように使われていたのでしょうか？
Blake: これは極端な例ですが、実際の医療現場ではよくあることなのです。このExcelシートには、患者がどの症状や状態を訴えた場合に、どの専門医に予約すべきかという複雑な意思決定ツリーが記載されていました。コールセンターのスタッフは、患者さんと電話で話しながら、これら17のタブを行き来する必要があったのです。
例えば、患者さんが「膝の痛み」を訴えた場合、スタッフはまず「下肢の問題」のタブに移動し、そこから「膝」のサブセクションを探し、さらに痛みの種類や場所によって別のタブに移動し...というプロセスを踏んでいました。これは非常に複雑で時間のかかるプロセスでした。
プレゼンター: それは非効率的ですね。エラーも発生しやすそうです。
Blake: その通りです。このような複雑なシステムでは、スタッフが間違ったタブを選んだり、情報を見落としたりする可能性が非常に高くなります。その結果、患者さんが適切な専門医ではなく、違う専門医に予約されてしまうことがありました。
例えば、スポーツによる急性の膝の怪我と、加齢による慢性的な膝の痛みでは、担当すべき整形外科医が異なります。しかし、この複雑なExcelシートの中で正しい判断を下すのは、特に新しいスタッフにとっては非常に困難でした。
さらに問題なのは、このExcelシートは共有ドライブに保存されており、バージョン管理もされていませんでした。つまり、医療プロトコルが更新された場合、すべてのスタッフが最新バージョンを使っているという保証はなかったのです。
このような状況は、私たちが解決しようとしている問題の典型的な例です。AIを活用して、これらの複雑な意思決定プロセスをサポートすることで、人間のエージェントが本来集中すべき患者さんとのコミュニケーションに注力できるようにするのが私たちの目標なのです。
7. アーキテクチャ概要
7.1. Amazon Connectによる電話システム管理
Blake: ここで簡単にアーキテクチャの概要をご説明したいと思います。もしAWSサービスビンゴをやっていたら、私たちはおそらく勝利していたでしょうね。ここにはあらゆる種類のAWSサービスが含まれています。
プレゼンター: まずは電話システムの管理について教えていただけますか？
Blake: 主要なコンポーネントとして、すべての電話機能とルーティングを管理するフローを処理するAmazon Connectを使用しています。電話システムの基盤として、Amazon Connectは非常に強力で柔軟性があります。
プレゼンター: Amazon Connectはどのように患者からの電話を管理するのですか？
Blake: Amazon Connectは、患者さんからの入電を受け、電話の流れを制御します。従来のIVRシステムとは異なり、私たちのシステムでは患者さんに「1を押して予約、2を押して請求」というような選択を強いることなく、自然な会話の流れで情報を収集できます。
また、Connectの優れた点は、電話の流れをプログラム的に制御できることです。患者さんの応答や状況に基づいて、動的にフローを変更することができます。例えば、緊急性の高い症状が検出された場合、自動的に優先順位を上げてすぐに適切なスタッフに接続するようなルーティングが可能です。
私たちのシステムでは、Amazon Connectとその他のAWSサービスを組み合わせることで、従来の電話システムではできなかった、インテリジェントで患者中心の体験を提供しています。電話システムはもはや単なる通信手段ではなく、患者情報を収集し、効率的なケアを提供するための戦略的なツールとなっているのです。
7.2. Lambdaを使用した動的質問生成
Blake: 私たちのシステムのもう一つの重要なコンポーネントは、AWS Lambdaを活用した動的質問生成機能です。従来のIVRシステムでは、「1を押してください」というような固定の選択肢しか提供できませんでしたが、私たちのアプローチは大きく異なります。
プレゼンター: Lambda関数はどのように動的な質問生成に活用されているのですか？
Blake: Lambda関数を使用することで、患者との会話の文脈に基づいて、動的に質問を生成することができます。例えば、患者さんが「膝の痛みがあります」と言えば、システムはその情報を認識し、適切なフォローアップ質問を動的に生成します。
これは単なる分岐ロジックではなく、患者さんの返答や既存の医療記録の情報に基づいて、次に何を尋ねるべきかをリアルタイムで決定するインテリジェントなシステムです。例えば、患者の医療記録に糖尿病の既往歴があれば、その情報を考慮した上で質問内容が調整されます。
プレゼンター: その動的な質問はどのように設計されているのですか？
Blake: 私たちはLambda関数内にクリニカルロジックをプログラムしています。これらは医療プロフェッショナルと協力して設計されたもので、医学的に適切な質問フローを確保しています。患者の応答に基づいて、次の質問が何であるべきかをLambda関数が決定し、それをリアルタイムで生成するのです。
この動的質問生成アプローチの大きな利点は、不必要な質問をスキップし、関連性の高い情報にのみ焦点を当てることができる点です。これにより、患者体験が大幅に向上し、必要な情報をより効率的に収集することができます。
従来のIVRシステムのような固定パスではなく、会話の流れに応じて適応的に変化する対話を実現しているのです。これは医療コンタクトセンターのユーザー体験を根本的に変革するアプローチです。
7.3. Kinesisによる音声ストリーミングとAmazon Transcribeでの文字起こし
Blake: アーキテクチャの次の重要なコンポーネントは、音声データの処理に関するものです。患者さんとの電話での会話を扱うために、Kinesisを使用して音声データをストリーミングし、それをAmazon Transcribeで文字起こしに変換しています。
プレゼンター: この音声ストリーミングと文字起こしのプロセスをもう少し詳しく説明していただけますか？
Blake: もちろんです。患者さんとの通話が始まると、そのオーディオデータはAmazon Kinesisを通じてリアルタイムでストリーミングされます。Kinesisは大量のデータストリームを効率的に処理できるAWSのサービスで、私たちのシステムでは音声データの継続的なストリーミングを可能にしています。
このストリーミングされた音声データは、次にAmazon Transcribeに送られます。Transcribeは高度な音声認識技術を使用して、音声をテキストに変換します。特筆すべきは、Amazon Transcribeが医療専門用語にも対応していることです。「心臓MRI」や「失神発作」といった専門用語も正確に認識できるため、医療の文脈で非常に価値があります。
プレゼンター: このリアルタイム処理は従来のシステムと比較してどのような利点がありますか？
Blake: 最大の利点は、会話の内容をリアルタイムで分析できることです。従来のシステムでは、録音された通話を後で聞き直して処理するか、スタッフがメモを取るしかありませんでした。私たちのシステムでは、患者さんが話しているまさにその瞬間に、その内容を理解し処理することができます。
例えば、患者さんが「昨日膝をひねって痛みがある」と言えば、システムはリアルタイムでこの情報を認識し、「膝」「ひねる」「痛み」などのキーワードを抽出します。そしてこれらの情報をもとに、適切なフォローアップ質問やエージェントへの推奨アクションを生成できるのです。
このリアルタイム文字起こしは、システム全体のインテリジェンスを支える基盤となっています。音声をテキストに変換することで、AIモデルによる分析が可能になり、患者応対の質と効率を大幅に向上させることができるのです。
7.4. DynamoDBでのテキスト保存
Blake: 文字起こしされたテキストは、次にDynamoDBに保存されます。これによりデータの永続性と迅速なアクセスが可能になります。
プレゼンター: DynamoDBを選択した理由は何ですか？他のデータベースではなく。
Blake: DynamoDBを選んだ理由はいくつかあります。まず、完全マネージド型のNoSQLデータベースサービスとして、スケーラビリティが非常に高く、医療データのような変動するトラフィックパターンに対応できます。患者さんからの問い合わせは時間帯や曜日によって大きく変動しますが、DynamoDBはそうした負荷の変化に柔軟に対応できます。
また、リアルタイム処理にも優れています。患者さんの会話データを保存し、即座に取り出して分析に使用する必要がありますが、DynamoDBの低レイテンシー特性はこのユースケースに最適です。文字起こしされたテキストを保存し、そこから重要な医療情報を抽出するプロセスを、数ミリ秒単位で行うことができます。
プレゼンター: テキストデータはどのように構造化して保存されているのですか？
Blake: 会話のテキストデータは、時系列ベースで構造化されています。各発話には、話者情報（患者またはシステム）、タイムスタンプ、そして実際の発話内容が含まれます。また、各発話から抽出された重要な医療情報（症状、医薬品名、過去の処置など）もタグ付けして保存しています。
これにより、単に生の会話テキストを保存するだけでなく、そこから抽出された構造化された医療情報にもアクセスできるようになります。例えば、患者が会話の中で「アスピリン」という薬の名前に言及した場合、それは自動的に「薬剤」としてタグ付けされ、後の分析で使用できるようになります。
この構造化されたデータ保存アプローチにより、患者との会話から得られた情報を電子カルテシステムと連携させたり、AIモデルに入力したりする際の基盤となり、システム全体の効率と精度を高めることができるのです。
7.5. 医療記録との照合とHealthLakeでの保存
Blake: 私たちのシステムの重要な特徴の一つは、クライアントの医療記録とのリアルタイム照合機能です。これによって収集したデータをHealthLakeに保存しています。
プレゼンター: 医療記録との照合はどのように行われるのですか？患者の識別は複雑なプロセスだと思いますが。
Blake: その通りです。医療記録の照合は非常に複雑なプロセスで、細心の注意を払って行う必要があります。患者が電話で自分の名前や生年月日などの情報を提供すると、システムはこれらの識別子を使用して電子カルテシステム内の患者記録を検索します。
この照合プロセスは単純なキーワードマッチングではなく、ファジーマッチングアルゴリズムを使用しています。例えば、患者の名前の発音違いや生年月日の言い間違いなど、小さな不一致があっても適切に対応できるようになっています。
医療記録を間違えることは許されない重大問題ですので、確実性が低い場合は複数の確認ステップを踏むようにしています。例えば、他の個人情報で二重確認したり、人間のエージェントに判断を委ねたりします。
プレゼンター: 照合された医療記録情報はHealthLakeに保存されるのですね。HealthLakeの役割について教えてください。
Blake: そうです。AWS HealthLakeは医療データに特化したストレージサービスで、FHIR（Fast Healthcare Interoperability Resources）という医療情報交換の標準形式をサポートしています。これにより、異なる医療システム間でデータを標準化された方法で保存、検索、交換することができます。
私たちは電子カルテから取得した患者情報と、会話から得られた新しい情報を組み合わせ、HealthLakeに保存します。例えば、患者との会話から新たに症状や状況の変化が把握できた場合、それをHealthLake内の患者記録に関連付けて保存します。
このアプローチの利点は、継続的なケアの一環として情報を蓄積できることです。患者が次回電話してきた時に、前回の会話内容や対応履歴を即座に参照できるため、毎回ゼロから説明し直す必要がなくなります。これにより患者体験が向上するだけでなく、医療ケアの継続性も確保されるのです。
7.6. BedockとSageMakerによるインサイト生成
Blake: コンタクトセンター担当者向けのインサイト生成には、AWSのBedrock（文字起こしでは「Bedock」と表記）とSageMakerを活用しています。これらのサービスを使って、会話の要約や担当者への推奨アクションを生成しています。
プレゼンター: Bedrockの役割について詳しく教えていただけますか？
Blake: Bedrockは、AWSが提供する生成AIサービスで、様々な大規模言語モデルに簡単にアクセスできるようにするものです。私たちのシステムでは、Bedrockを使って患者との会話を分析し、重要な情報の抽出、会話の要約、感情分析などを行っています。
特に注目すべき点として、Bedrockが医療データに対してHIPAA準拠であることが挙げられます。これは非常に重要で、患者データを追加のサービスに送信せずに処理できるため、プライバシーが確保されます。医療データのプライバシーは全ての医療機関にとって最重要事項ですので、この点は大きな利点です。
プレゼンター: SageMakerはどのように活用されているのですか？
Blake: SageMakerは、カスタムの機械学習モデルをトレーニングおよびデプロイするために使用しています。私たちは医療特有のデータセットでトレーニングしたカスタムモデルを開発し、SageMakerを通じてデプロイしています。
例えば、特定の症状や表現を認識して適切に分類するモデルや、会話のパターンから緊急性を評価するモデルなどです。これらのカスタムモデルは、一般的な大規模言語モデルでは捉えきれない医療特有のニュアンスを理解するのに役立ちます。
Bedrockの生成AI機能とSageMakerのカスタムモデルを組み合わせることで、患者との会話から価値あるインサイトを抽出し、コンタクトセンターのスタッフに提供しています。これにより、スタッフは患者情報の収集や整理に時間を費やすことなく、患者のケアに集中することができるのです。
7.7. HIPAA準拠のデータプライバシー確保
Blake: データのプライバシーと保護は医療分野において最も重要な側面の一つです。特に私たちのシステムでは患者の機密医療情報を扱うため、HIPAA（医療保険の携行性と責任に関する法律）準拠は絶対に譲れない要件です。
プレゼンター: データプライバシーの観点から、特にBedrockのHIPAA準拠について詳しく説明していただけますか？
Blake: これは特に重要なポイントです。Bedrockが使用する生成AIモデルがHIPAA準拠であることは非常に便利です。なぜなら、プライバシーデータを追加のサービスに送信することなく処理できるからです。
一般的に、多くの生成AIサービスでは、データが外部に送信され、モデルを提供する企業のサーバーで処理されます。しかし医療データの場合、このようなアプローチはプライバシーとコンプライアンスの観点から問題があります。AWS BedrockはHIPAA準拠の環境内でデータを保持し処理するため、この懸念が解消されます。
プレゼンター: システム全体でのデータプライバシーはどのように確保されているのですか？
Blake: 私たちのアーキテクチャ全体が、エンドツーエンドでHIPAA準拠になるよう設計されています。具体的には、データの保存、処理、転送のすべての段階で暗号化を適用しています。DynamoDBとHealthLakeのデータは保存時に暗号化され、サービス間の通信は転送中に暗号化されます。
また、厳格なアクセス制御も実装しており、医療データへのアクセスは「必要な場合のみ」の原則に基づいて制限されています。各コンポーネントは最小権限の原則に従って設計され、必要最低限のデータにのみアクセスできるようになっています。
さらに、すべてのデータアクセスとシステム操作の詳細な監査ログを保持しており、誰がいつどのデータにアクセスしたかを追跡できます。これは、HIPAA要件の中でも非常に重要な部分です。
プライバシーを確保するこれらの対策により、患者さんは自分の医療情報が安全に処理され、適切に保護されていることを信頼できます。そして、医療機関はコンプライアンス要件を満たしながら、革新的なAI技術の恩恵を受けることができるのです。
8. 将来の展望
8.1. 自動化可能な領域の拡大
Blake: 今後の展開についてお話しします。私たちは引き続き、どの程度の自動化が実現可能か、そして最終的に人間のコンタクトセンター担当者から解放できる活動は何かを探求していきます。
プレゼンター: 完全自動化と人間の関与のバランスについてはどのようにお考えですか？
Blake: この点については慎重にバランスを取る必要があると考えています。自動化できるものとそうでないものの境界線を見極めることが重要です。低レベルの管理タスクは完全に自動化できる可能性が高いと思います。
例えば、患者の身元確認や基本的な予約の日程調整、単純な情報提供などは、人間のエージェントがいなくても十分に処理できる可能性があります。特に医学的な判断を必要としない定型的なタスクについては、自動化の効果が大きいでしょう。
プレゼンター: そのような自動化にはどのような技術を活用しているのですか？
Blake: 実際に私たちはすでにClaude Sonnet 3.5を使用したBedrock agentsでこうした自動化を試み、非常に良い結果を得ています。例えば、患者が単純な予約変更を希望する場合、AIエージェントが完全に対応し、人間のエージェントは関与せずに予約システムと連携して日程を調整することができます。
重要なのは、単純なタスクをAIに任せることで、人間のエージェントをより複雑で判断を要する業務に集中させることができる点です。例えば、複雑な医療状態を持つ患者への対応や、感情的なサポートが必要な状況などは、依然として人間のエージェントが担当するのが適切でしょう。
このように自動化可能な領域を徐々に拡大しながらも、医療における人間的な要素の重要性を常に念頭に置いて開発を進めています。究極の目標は、技術と人間の強みを最適に組み合わせることで、患者体験を向上させることなのです。
8.2. Claude Sonnet 3.5を使用したBedrock agentsの活用
Blake: 先ほど少し触れましたが、私たちはすでにClaude Sonnet 3.5を使用したBedrock agentsで低レベルの管理タスクの自動化を試みており、非常に良い結果を得ています。
プレゼンター: Claude Sonnet 3.5の具体的な活用方法について詳しく教えていただけますか？
Blake: もちろんです。Claude Sonnet 3.5は、Amazon Bedrockで利用可能な高性能な生成AIモデルです。このモデルは特に会話理解と自然な対話生成に優れており、私たちのユースケースに非常に適しています。
私たちはこのモデルを用いて、Bedrock agentsを構築しています。これらのエージェントは単純な質問応答だけでなく、実際にシステムと連携して行動を起こすことができます。例えば、患者が「来週の火曜日に予約を変更したい」と言えば、AIエージェントはその意図を理解し、予約システムにアクセスして空き状況をチェックし、患者に選択肢を提示して、選択された時間に予約を変更することができます。
プレゼンター: それは印象的ですね。人間のエージェントが対応するケースとAIが対応するケースをどのように区別していますか？
Blake: 私たちは段階的なアプローチを取っています。まず、比較的単純で定型的なケースから始めています。例えば、「営業時間の確認」「予約のリマインダー」「基本的な予約管理」などです。これらは明確な意図があり、限られたパラメータで対応できるケースです。
AIエージェントが対応中に複雑な質問や例外的な状況を検出した場合は、シームレスに人間のエージェントにエスカレーションする仕組みを設けています。例えば、患者が複雑な症状を説明し始めた場合や、感情的なサポートが必要な場合などです。
Claude Sonnet 3.5の優れた点は、その理解力と会話能力の高さです。患者が自然言語で曖昧に表現した要求でも、正確に意図を把握し適切に対応できることが多いのです。これによって患者体験が大幅に向上し、同時に人間のエージェントの負担も軽減されています。
今後もモデルの進化と私たちの経験に基づいて、AIエージェントが対応できる範囲を徐々に拡大していく予定です。
8.3. 積極的な外部コミュニケーションとリスク識別
Blake: 私たちの将来計画のもう一つの重要な側面は、積極的な外部コミュニケーションとリスク識別の強化です。具体的には、マイナーなリスク識別や無駄な診察を防ぐための積極的な外部コミュニケーションに取り組んでいます。
プレゼンター: 積極的な外部コミュニケーションとはどのようなものですか？受動的な応答とは異なるのでしょうか？
Blake: はい、その通りです。現在の多くの医療コミュニケーションシステムは受動的です。つまり、患者が連絡してきたときにのみ対応します。私たちが目指しているのは、より積極的なアプローチです。例えば、患者の状態やスケジュールに基づいて、システムが先回りして必要な情報を提供したり、潜在的なリスクを識別したりすることができます。
具体的には、予約前の準備情報の自動送信、検査結果の通知、フォローアップが必要な状況の識別などが含まれます。例えば、心臓MRIの予約が入った患者には、事前に準備すべきことや当日の流れについての情報を自動的に送信し、不安を軽減したり、準備不足による予約のキャンセルを防いだりできます。
プレゼンター: リスク識別については具体的にどのようなことをお考えですか？
Blake: リスク識別に関しては、患者データと行動パターンを分析して、介入が必要な可能性のある状況を事前に特定することを目指しています。例えば、定期的な予約を突然キャンセルし始めた慢性疾患患者は、治療の中断というリスクが発生しています。
また、検査結果や医師の指示に基づいて、フォローアップが必要な患者を自動的に識別し、コンタクトセンターから積極的に連絡することも計画しています。これにより、重要な治療ステップが見落とされるリスクを減らすことができます。
このような積極的なアプローチは、無駄な診察を防ぐだけでなく、治療の継続性を確保し、患者の転帰を改善するのに役立ちます。重要なのは、これらの取り組みが単なる効率化ではなく、患者のケアの質を向上させることを目的としている点です。患者が必要な時に必要なケアを確実に受けられるようにすることで、医療システム全体の効果を高めることができます。
8.4. より多くの医療記録情報の統合
Blake: 最後に、私たちは医療記録からより多くの情報を取り込み、診療録やスケジューリングツールを活用して、コンタクトセンター担当者にさらなるインサイトを提供する計画を進めています。
プレゼンター: 具体的にはどのような医療記録情報を追加で統合しようとしているのですか？
Blake: 現在、私たちのシステムでは患者の基本情報、診断歴、処方歴などを統合していますが、今後はより詳細な医療情報を取り込みたいと考えています。例えば、医師の診療録には患者の状態に関する豊富な情報が含まれていますが、これらはテキスト形式で構造化されていないことが多いため、従来は活用が難しい情報でした。
現在の生成AIモデルを使えば、これらの非構造化テキストから重要な情報を抽出し、コンタクトセンターのスタッフに提供することができます。例えば、医師が「患者は次回予約時に血液検査結果を持参する必要がある」とノートに記載した場合、AIがこの情報を抽出して、患者が次回連絡してきた際にスタッフに表示することができるのです。
プレゼンター: スケジューリングツールの統合についてはどのようなことを考えていますか？
Blake: スケジューリングツールを統合することで、患者が接続する前に、コンタクトセンターのスタッフが患者の予約状況をより詳細に把握できるようになります。これには、過去の予約履歴だけでなく、今後の予約スケジュールや、関連する医療リソース（特定の医療機器や専門医の空き状況など）の情報も含まれます。
例えば、患者が「MRIの予約を変更したい」と連絡してきた場合、システムは自動的に該当するMRI機器の空き状況、読影医のスケジュール、患者の保険適用状況などを即座に提供できるようになります。これにより、スタッフは一つのインターフェースで完結した対応が可能になり、患者を何度も転送する必要がなくなります。
これらの追加情報を統合することで、コンタクトセンター担当者は患者が実際に接続する前に、その患者が経験している状況の完全なコンテキストを持つことができます。これにより、より個別化された、効率的で思いやりのあるケアを提供することが可能になるのです。
9. まとめと謝辞
9.1. プロジェクトパートナーと技術チームへの感謝
Blake: 以上が私からのお話のすべてです。私たちのプロジェクトを支えてくれた方々に特別な感謝を申し上げたいと思います。ここにいるJonathanには特に感謝しています。彼は私たちにとって素晴らしいパートナーとなってくれました。
プレゼンター: Jonathanさんはどのようにプロジェクトに貢献されたのですか？
Blake: Jonathanは私たちのAWS統合に関して多大なサポートを提供してくれました。特にAmazon Bedrockの実装や、さまざまなAWSサービスを組み合わせて最適なアーキテクチャを構築する際に、彼の専門知識は非常に価値がありました。
また、会場に来てくれている私の技術チームにも感謝したいと思います。彼らの献身的な努力なしには、このプロジェクトの実現は不可能でした。彼らは複雑な技術的課題に立ち向かい、患者体験を向上させるという私たちのビジョンを現実のものにしてくれました。
プレゼンター: 素晴らしいプレゼンテーションをありがとうございました。Switchboard MDの革新的なアプローチが、医療コミュニケーションの未来をどのように形作っていくのか、大変興味深く拝聴しました。
Blake: お時間をいただきありがとうございました。私たちは、テクノロジーを活用して医療における人間的な繋がりを強化するという使命に引き続き取り組んでいきたいと思います。これからも医療分野におけるAI活用の可能性を探求し、患者さんとケア提供者の両方にとって良い体験を創出していきます。本日はありがとうございました。