ヘルスケアの隠れたコストをAIで解き放つ：Ensemble Health Partnersが描く未来

今日のヘルスケアシステムは、人類の最も崇高な挑戦の一つです。病と闘い、命を救い、生活の質を向上させるという使命を帯びています。しかし、その輝かしい目標の裏側には、しばしば見過ごされがちな「隠れたコスト」が膨れ上がり、システムの持続可能性を脅かしています。

AI Engineer World's Fairに登壇したEnsemble Health PartnersのAI責任者、ネイサン・リー氏は、この「見えないコスト」に光を当て、AIがいかにしてヘルスケアシステムの基盤を変革し、患者ケアを向上させながら財政的な健全性を取り戻すかを力強く語りました。この記事では、リー氏のプレゼンテーションから、ヘルスケア行政の現状、AIがもたらす具体的な解決策、そしてその未来について深く掘り下げていきます。

ヘルスケア行政の現状と課題：なぜ40%の病院が赤字なのか？

リー氏が指摘するように、過去数十年にわたり、ヘルスケアシステムの規模、コスト、複雑性は他のあらゆる業界のベンチマークを凌駕するペースで増大してきました。驚くべきことに、現在、米国の病院の40%が赤字経営に陥っていると言われています。この深刻な状況の主な原因は、多くの場合、臨床的なコスト自体にあるわけではありません。むしろ、収益サイクルにおける「壊れた」手作業のプロセス、すなわち承認の遅延、請求の拒否、度重なる再作業、そしてそれに伴う莫大な収益損失に起因しています。

ヘルスケアの収益サイクル管理（RCM: Revenue Cycle Management）は、患者が医療サービスを受ける最初の時点から、支払いが完了するまでの財務プロセス全体を指します。伝統的に、これは一連の独立したステップとして考えられてきましたが、そのプロセス全体にわたって発生する非効率性や問題点が、病院経営を圧迫する最大の要因となっているのです。

AIの専門家がヘルスケアへ：変革の旅路

ネイサン・リー氏自身のキャリアパスは、まさにこの変革の必要性を体現しています。彼は当初、Googleで大規模な深層学習モデル、特に音声認識や言語モデリングの分野でキャリアをスタートさせました。そこで培われた大規模データ処理とAI開発の経験は、後のヘルスケア分野への移行に大きな影響を与えます。

その後、リー氏はライフサイエンス分野のスタートアップへと軸足を移します。Freenomeでは、血液ベースのがん早期診断モデルの開発を指揮し、Nunam HealthではAIを活用して薬剤の挙動シミュレーションと創薬プロセスを加速させました。これらの経験は、AIが医療の中核的な課題、すなわち診断や治療法の開発に大きなインパクトを与えることを示しています。

リー氏は、多くの人がヘルスケアにおけるAIの可能性を考えるとき、医療画像診断（X線、CTスキャン、MRIの分析）、診断（検査結果や症状からの疾病パターン検出）、臨床ワークフローのサポート（意思決定支援や医療記録の加速）、そして創薬（AIによるシミュレーションを通じた医薬品研究の加速）といった分野を思い浮かべると述べます。これらは確かにインパクトが大きく、重要な課題であり、リー氏自身もその解決に情熱を注いできました。しかし、同時にこれらの問題は「最も困難で、解決が最も難しい」ものであり、その成果が現れるには時間がかかります。

ここでリー氏は、ヘルスケアのもう一つの側面、つまり「行政管理」という、あまり華やかではないが、非常に重要な分野に目を向けます。研究やメディアの注目を浴びることは少ないものの、この分野こそがAIによる大きな変革と実質的なインパクトを生み出す可能性を秘めていると強調します。

ヘルスケアの「隠れたコスト」を数値で見る

リー氏は、ヘルスケア行政における「隠れたコスト」の衝撃的な数字を提示しました。

年間1.4兆ドル: 米国では、年間1.4兆ドルがヘルスケア行政に費やされています。これは国家経済の大きな部分を占める額です。
3,200%の成長: 過去30年間で、医療管理者の数はなんと3,200%も増加しました。これに対し、臨床医の数はわずか2倍程度しか増えていません。この数字は、管理業務の複雑性とそれに伴う人員の増加がいかに速いペースで進んでいるかを物語っています。
年間2,500億ドルの損失: 管理上の摩擦（非効率性）により、年間2,500億ドルもの収益が失われています。これは、病院が質の高いケアを提供するために使えるはずの貴重なリソースが、無駄なプロセスによって消滅していることを意味します。

これらの数字は、ヘルスケアシステムが直面している課題が、単に医療技術や治療法に留まらない、より根深い構造的問題であることを浮き彫りにしています。そして、この複雑性が、医療機関の財政的な安定性を直接的に脅かしているのです。

「支払い拒否」という医療現場の深刻な非効率性

この管理上の摩擦の典型的な例として、リー氏は「支払い拒否（Denial）」のプロセスを詳しく説明しました。

敗血症（septic）患者の入院を例にとると、プロセスは次のように進行します。

Day 1-5：入院の承認
- 保険会社は最初、入院を拒否します。
- 病院の担当者が保険会社に電話で交渉し、記録を提出します。
- 最終的に入院が承認されます。
Day 5-200：提供されたケアに対する支払い請求
- 病院がサービス提供後、保険会社に支払い請求を行います。
- 保険会社は支払いを拒否します。
- 病院は記録を送付し、再審査請求を行います。
- 保険会社は請求をダウングレード（減額）するか、再度拒否します。
- 病院は再度再審査請求を行います。
- 保険会社は再び拒否します。
- 病院は最後の再審査請求を行います。
- ようやく保険会社は拒否を覆し、全額支払いに合意します。
Day 200：患者への最初の請求書
- この時点で初めて、保険会社がカバーしなかった部分について患者に請求書が送られます。

この一連のプロセスは200日以上かかることもあり、その間に病院は膨大な時間とリソースを費やします。リー氏が強調したのは、これらの支払い拒否の多くが、医療上の判断の相違によるものではなく、技術的なエラー（登録情報の不備、データ入力ミス、必要な書類の不足など）に起因しているという点です。例えば、誤ったコードの使用、必要な事前承認の欠如、患者情報の不正確さなど、多くは適切なデータとプロセスがあれば防げる問題です。

医療機関にとっては、支払いの遅延や拒否はキャッシュフローを悪化させ、経営を圧迫します。特に利益率の低い病院にとっては、小さなミスが大きな財政的打撃につながりかねません。

AIがもたらす摩擦の解消：データからの洞察

Ensemble Health Partnersがこの問題にどう取り組んでいるかというと、彼らはRCMの「エンドツーエンド」ソリューションを提供することで、この複雑なプロセス全体をサポートしています。患者の病院登録前から最終的な支払い完了まで、全ステージのデータを一元的に管理・分析できるため、問題や非効率性がプロセス全体を通じてどこで発生しているかを独自の視点から把握できます。

リー氏は、このエンドツーエンドのデータこそが、AIによる摩擦の排除の鍵だと語ります。特に「事前承認の拒否（Prior Authorization Denials）」への対応を例に挙げました。事前承認とは、特定の医療行為を行う前に保険会社から承認を得るプロセスであり、これが適切に行われないと支払いが拒否されます。

Ensembleのアプローチは以下の通りです。

拒否の予測: AIが過去のデータパターンを学習し、どのケースで事前承認が拒否される可能性が高いかを予測します。
修正と予防: 拒否が予測された場合、AIはプロセスの早期段階で問題を特定し、必要な情報を追加したり、書類を修正したりすることで、拒否を未然に防ぎます。
承認の自動化: 最終的には、AIが事前承認プロセスの一部または全体を自動化し、手作業によるエラーのリスクを最小限に抑えます。

リー氏のプレゼンテーションでは、従来の「ルールベース」のアプローチでは25%程度の精度であったが、エンドツーエンドのモデルを導入することで「60%」の精度を達成したと述べられました。これは、AIが大量のデータから複雑なパターンを学習し、人間の専門家が見落としがちな関連性を見つけ出すことで、RCMプロセスの効率を大幅に向上させられることを示しています。

GenAIによる「正確な支払い」の加速

さらに、リー氏は生成AI（GenAI）が支払いプロセスの正確性を加速する可能性についても言及しました。特に、支払い拒否に対する再審査請求（Appeals）のプロセスにおいて、GenAIがどのように貢献するかを具体的に示しました。

GenAIを活用した再審査請求プロセス:

インプットの収集:
- ペイアーポリシー（保険会社の支払い規定）
- 医療記録（EMR: 電子医療記録など）
- 拒否レター（保険会社からの支払い拒否理由）
- 過去の再審査請求データ
臨床AIトレーニング:
- AIが過去のデータから、効果的な再審査請求のパターンを学習し、歴史的な再審査請求を生成します。
- RNs（登録看護師）やMDs（医師）といった臨床専門家が、AIが生成した請求書をレビューし、フィードバックを与えます。
- AIモデルは、エラー率0%を達成するまで、このトレーニングとレビューのフィードバックループを継続的に繰り返し、精度と効率を向上させます。
臨床AIの実践:
- 新たな支払い拒否が発生した場合、トレーニングされたAIモデルが自動的に再審査請求を生成します。
- 臨床専門家がAI生成された請求書を最終レビューし、必要な検証を行います。この段階でも、継続的なフィードバックループを通じてモデルが改善されます。
リアルワールドの結果:
- 再審査請求プロセスが40%高速化: AIの導入により、再審査請求にかかる時間が大幅に短縮されます。
- 一貫性の向上: 支払い拒否への対応が一貫性を持ち、成功率が高まります。
- 測定可能なROI: これらの改善が直接的に財務的利益につながり、明確な投資収益率をもたらします。

これにより、GenAIは医師や看護師が膨大な医療記録や保険ポリシーを精査し、再審査請求書を作成するという時間のかかる手作業から解放し、より患者ケアに集中できる環境を整えます。AIが作成する再審査請求は、より迅速かつ正確であるため、病院は正当な支払いをより確実に受け取ることができ、財政的な健全性を取り戻すことに貢献しますのです。

AIが解決する2,500億ドルの問題の根本原因

リー氏は、AIがヘルスケアの隠れたコスト問題に取り組む上で直面する2つの大きな課題を挙げました。

「ルールはどこにでもある」が、「不整合で、非構造化されており、追跡が困難」: ヘルスケア業界は、国、州、保険会社、病院といった様々なレベルで無数の規則やガイドラインに縛られています。これらのルールはしばしば矛盾し、テキスト文書、ウェブページ、データベースなど様々な形式で存在するため、一貫性がなく、体系的な管理が困難です。この「ルールのカオス」が、手作業のプロセスに複雑性を加え、エラーの温床となっています。
「データは分散し、サイロ化されたシステム」: ヘルスケアデータは、複数のペイアー（保険会社）、インターフェース、EMR（電子医療記録）、各種フォームなど、非常に多様なシステムに散在しています。これらのシステム間でのデータのやり取りは複雑で、フォーマットが統一されていないため、情報の連携が困難です。これにより、必要な情報が適切なタイミングで適切な担当者に届かず、プロセスが滞る原因となります。

このような環境では、従来の自動化ツールでは対応しきれない課題が山積しています。単にボタンをクリックする速度を上げるだけでは、根本的な問題は解決しません。AIは、これらの複雑で不整合なルールを解釈し、サイロ化されたデータの中から必要な情報を抽出し、統合する能力を持つことで、初めて真の変革をもたらすことができます。

自動化を超えた未来：より賢い意思決定とシームレスな統合

Ensemble Health Partnersが目指すのは、単なる自動化の領域を超えたものです。彼らは、AIが「理由付け（reason）」を行い、単にタスクを「自動化（automate）」するだけでなく、より洗練されたレベルでヘルスケアシステムを最適化することを目指しています。

より賢い意思決定（Smarter Decisions）:
- AIは複雑なルールを解釈し、リアルタイムで意思決定を行います。これにより、プロセスの遅延や手作業を大幅に削減できます。例えば、事前承認の必要性を正確に判断したり、請求書作成時のエラーを即座に修正したりすることが可能になります。
- これは、単に設定されたルールに従うだけでなく、状況に応じて最適なパスを選択する、より高度な推論能力を意味します。
シームレスな統合（Seamless Integration）:
- AIは、多様なプラットフォーム、フォーマット、ワークフローを横断して接続し、統合します。これにより、データサイロが解消され、情報がスムーズに流れるようになります。
- この統合により、ヘルスケアシステム全体の「摩擦」が排除され、患者ケアに関わる全てのアクターが、より効率的に連携できるようになります。

Ensemble Health Partnersは、このビジョンを実現するために、既にAIの導入によって具体的な価値を提供していることを強調します。臨床的な再審査請求の事例に見られるように、AIは既にRCMプロセスのあらゆる側面で、よりスマートな意思決定とシームレスな統合を実現するためのエージェントを構築し始めています。

しかし、リー氏は「自動化だけでは不十分だ」と警告します。ヘルスケアの複雑性は深く、単にプロセスを速くするだけでは解決できない根本的な問題が残るためです。AIには、人間の持つ推論能力を模倣し、異なる情報源を統合して一貫した意思決定を下す能力が求められます。

Ensemble Health Partnersのユニークな強みと展望

リー氏は、Ensemble Health Partnersがこの大規模な変革をリードする上で、いくつかのユニークな強みを持っていると述べました。

適切なデータセット: エンドツーエンドのRCMプロセス全体をカバーするデータを保有しているため、AIモデルを訓練し、そのパフォーマンスを継続的に改善するための豊富な基盤があります。
適切なチーム: 多様な分野の専門家（AIエンジニア、データサイエンティスト、臨床医、医療管理者など）を組み合わせたチームを構築しており、技術的な専門知識とドメイン知識を融合させています。
RCMプロセス全体を網羅: データの収集だけでなく、クライアント（病院など）に代わってRCMプロセス全体に介入し、行動を起こすことができるという独自の能力を持っています。これにより、単なる分析に留まらず、具体的な成果を出すことが可能です。

これらの強みにより、Ensemble Health Partnersは、ヘルスケアシステムの隠れたコストを削減し、財務的健全性を向上させるだけでなく、最終的には医療提供者と患者双方にとってより良い体験を創造することを目指しています。リー氏は「ヘルスケアの未来を築こう」という言葉で締めくくり、AIがこの大きな使命を果たすための重要なツールであるという期待感を共有しました。

まとめ

ネイサン・リー氏のプレゼンテーションは、AIがヘルスケアにもたらす変革の可能性について、新たな視点を与えてくれました。医療画像診断や創薬といった華々しい分野だけでなく、医療行政という「隠れたコスト」の領域こそ、AIが即座に大きなインパクトをもたらし、ヘルスケアシステム全体の持続可能性を高めることができるフロンティアであることが明確になりました。

Ensemble Health Partnersのように、エンドツーエンドのデータ、専門家チーム、そして介入能力を持つ組織がAIを活用することで、不整合なルールやサイロ化されたデータによって引き起こされる年間2,500億ドルもの無駄を削減できる可能性が見えてきました。これにより、医療機関は財政的に安定し、患者はより迅速で質の高いケアを受けられるようになるでしょう。

AIは単なる自動化ツールではなく、「より賢い意思決定」と「シームレスな統合」を実現するパートナーとして、複雑なヘルスケアの未来を共に築いていく存在です。このエキサイティングな変革の波が、世界中の人々の健康と福祉に貢献することを期待しましょう。