受診前にAIが医療文書をやさしく要約したら、診察はどう変わったか｜300人のランダム化比較試験「AI-INFOCARE」を読む

結論：やりとりの質は上がり、診察は短かった。ただし読み方に注意

• 受診前にAIの要約を受け取った患者は、医師とのやりとりの質を高く評価した（主要評価項目）。差を生んだのは主に「一緒に決める」（共同意思決定）の項目で、共感の感じ方には差が見られなかった
• 診察時間の中央値は33分と25分。解析では、幾何平均の比が0.79で、相対的に約21%短かった。ただしこれは副次評価項目で、多重比較の調整はしていない
• 医師が自分の自律性支援をやや低く評価していた点など、患者と医師で受け止めが分かれた項目もある
• 1施設・脳神経外科外来・盲検化なし・患者の自己評価が中心。研究チーム自身も、臨床的な結果や医師の業務量への影響は、日常診療に取り入れる前に確認が必要としている

試験の設計

試験は、ドイツ・ドレスデン工科大学の大学病院（Universitätsklinikum Carl Gustav Carus）の脳神経外科外来で行われました。対象は成人300人で、次の2つの群に1対1でランダムに割り付けています。

評価の中心は、患者が診察の直後に質問票で答えた「医師とのやりとりの質」です。副次評価項目として、患者から見た自律性の支援（自分で考えて決めることを支えてもらえたか）、医師が感じた診察の難しさ、そして診察時間を調べています。なお、試験計画では、患者自身が診察内容をどの程度理解できたと感じたか（5段階の自己評価）も副次評価項目として設定されていましたが、結果論文の抄録ではこの項目の結果を確認できません。

試験計画の論文によると、盲検化はしていません（患者も医師も、どちらの群かを知っています）。資料を受け取ったかどうかは本人に分かってしまうため、このタイプの試験では避けにくい設計です。解析を担当する人は、群を記号で扱って中身を知らない状態で解析するとされています。

AIの要約はどう作られ、どう確認されたか

「AIが要約した」と聞くと、AIの出力がそのまま患者に渡ったように感じるかもしれません。この試験はそうではありません。

つまりこの試験で比べているのは、「人が確認したAI要約を、受診前に渡す」という仕組み全体です。AIが書いた文章の効果だけを取り出して測ったものではありません。結果論文も、要約を「品質確認された」ものとしています。

結果①：主要評価項目「医師とのやりとりの質」

主要評価項目の平均点は、要約を受け取った群で4.42、通常の診療の群で4.25でした。差は0.17（95%信頼区間0.05〜0.29、P=0.005）で、統計学的に有意な差でした。

この差の大きさをどう見るか。論文は効果の大きさを示す指標（Hedges' g）を0.33と報告しています。一般的な目安では0.2が「小さい」、0.5が「中程度」とされるので、効果の大きさは小〜中程度と解釈できます。もともと両群とも点数が高めだった点も、あわせて押さえておきたいところです。

なお、統計学的に有意であることと、臨床的に重要であることは別の話です。P値が小さいことは「偶然では説明しにくい差」を意味しますが、その差が患者にとってどれほど大事な改善かまでは示しません。この試験だけで、臨床的な重要性の程度までは断定できません。

中身を見ると、差を生んだのは主に「一緒に決める」（共同意思決定）に関する項目でした（差0.29、95%信頼区間0.15〜0.42）。一方で、医師の共感の感じ方には差が見られませんでした。要約で事前に内容を理解していた分、治療の選択などの話し合いに参加しやすくなった、という読み方ができそうです（ただしこれは筆者の解釈で、論文が仕組みまで確かめたものではありません）。

結果②：診察時間と、医師側の評価

見出しになりやすいのは、この診察時間です。中央値は要約あり25分、通常の診療33分でした。診察時間の解析では、幾何平均の比が0.79（95%信頼区間0.70〜0.88）で、相対的に約21%短い結果でした。この0.79は、中央値どうしの比（25÷33）ではなく、解析で求めた幾何平均の比です。

また、ここで測ったのは診察そのものの時間です。試験計画では、患者が診察室に入ってから出るまでを記録するとされています。AI要約の作成・確認にかかった時間や、その他の事務作業を含む医師の総業務時間ではありません。

ただし、読むときに2つ注意が必要です。

• 副次評価項目である……試験はもともと「やりとりの質」を確かめるために設計されています。診察時間は、あわせて調べた項目の1つです
• 多重比較の調整をしていない……副次評価項目の信頼区間は、たくさんの項目を同時に調べたことによる「偶然の当たり」を補正していないと、論文自身が明記しています

医師側の評価にも、目を向けておきたい結果があります。

患者は「支えてもらえた」と感じた一方で、医師は自分の支援を少し低く評価していました。事前に資料を読んだ患者は質問や意見が具体的になるため、医師の側では、いつもと違うやりとりに手応えの違いを感じたのかもしれません。ここも理由まで調べた結果ではないので、断定はできません。

この結果から言えないこと

研究チームも結論で、臨床的な結果と医師の業務量への影響は、日常診療に取り入れる前に確認が必要としています。「AIで診察が2割短くなった」という見出しだけが一人歩きしないよう、注意したい試験です。

医療現場の視点で考えたいこと

この試験は、生成AIの使い道として「医師の書類仕事を減らす」とは別の方向——患者の理解を助ける——を、ランダム化比較試験で確かめた点に意味があります。そのうえで、日本の現場に置き換えて考えると、次の点が気になります。

• 誰が、いつ確認するのか……この試験では研究チームが渡す前に確認していました。日常診療で同じ確認を誰が担うのかで、診察時間の短縮が帳消しになる可能性もあります
• 患者情報をどこで扱うのか……試験計画の論文によると、この試験では患者を識別できる情報をAIモデルに入力せず、欧州のデータ保護規則（GDPR）に準拠したサーバーで処理し、データを研究チームの外に共有しない運用でした。日本の医療現場で同様の仕組みを導入する場合も、患者情報の取り扱い、外部サービスとの契約、安全管理の体制を施設として整えることが前提になります。個人の判断で同じことをするのは別の話です（なぜ患者情報を生成AIに入力してはいけないのか）
• やさしくすることで落ちる情報はないか……試験計画の論文が「リスクの表現が保たれているか」を確認項目に入れているのは、平易にする過程でリスクが軽く伝わる危険があるからだと読めます

病院で生成AIの使い道が広がっている状況は2026年の実装事例でも紹介しました。また、AIの出力を人がどう受け止めるかという点では、AIの助言への「過信」と「過少依存」を調べた実験も、あわせて読むと立体的に見えてきます。

まとめ

• ドイツの大学病院の脳神経外科外来で、成人300人を受診前にAI要約を受け取る群と通常の診療の群に1対1で割り付けた（NEJM AI、2026年10月）
• 要約は、大規模言語モデルで作成し、患者に渡す前に人が元の文書と照合したもの（試験計画の論文の記載）
• 主要評価項目「医師とのやりとりの質」は4.42対4.25（差0.17、P=0.005、効果の大きさ0.33）。差は主に共同意思決定の項目で、共感には差が見られなかった
• 診察時間の中央値は25分対33分（幾何平均の比0.79、相対的に約21%短い）。ただし副次評価項目で、多重比較の調整はなし
• 医師は自分の自律性支援をやや低く評価。診察の難しさは差がないことと矛盾しない
• 1施設・盲検化なし・自己評価が中心。臨床的な結果と業務量への影響は今後の確認が必要

生成AIの評価は、これまで「AIの文章がどれだけ正確か」に集中してきました。この試験は、AIの文章を患者に届けたとき、診察の場で何が変わるかを測った、数少ないランダム化比較試験の一つです。他の診療科や日本の医療の中で同じ結果になるのか、今後の研究を待ちたいところです。