医療LLMの現在地〜最新研究から社会実装までを考える〜

大規模言語モデル（LLM）をはじめとする医療AIは、この数年で急速に進化しています。本スライドでは、医療情報・医療AIに携わる立場から、言語モデルの基礎から最新の動向、そして医療現場への社会実装と普及の課題までを整理しました。

Transcript

1. 大阪大学大学院医学系研究科 医療情報学 特任助教 杉本 賢人 医療LLMの現在地 〜最新研究から社会実装までを考える〜
2. Stanford HAI AI Index Report https://hai.stanford.edu/ai-index/2025-ai-index-report AIの進歩が 人間水準を 超えつつある
3. Stanford HAI AI Index Report https://hai.stanford.edu/ai-index/2025-ai-index-report 医療AIは 研究段階から 実装段階へ
4. 4 医学QAでも LLMの性能が 急速に向上
5. 5 言語モデルに関する簡単なおさらい
6. 言語モデル（Language Model; LM） 6 • 言語モデル（Language Model）とは、ある単語系列を入力として、その系列の 尤もらしさ（Likelihood）を出力する確率分布モデルとして定義される • 近年は「言語理解・言語知識を持った機械学習のアーキテクチャ」という意味で 使用されることも多く、LLMの文脈でもこの意味で理解するほうが自然 雨 今日 は が 降る ので 日本 傘 Likelihood = 0.2 Likelihood = 0.01 言語モデルの直感的な説明
7. 言語モデルの発展 7 • 自然言語処理の分野でも大きなパラダイムシフトが起きている • 教師あり学習・ファインチューニングからプロンプト調整の世界に • 解けるタスクの自由度についても、格段に広がってきている Zhao et al. 2023
8. Self-supervised learning 8 • これまでは、専門家がラベル付け作業を行い、学習データを準備するのが一 般的だったが、人手によるものなので、データ量に限界があった • 自己教師あり学習は、人手でラベル付け作業を行うのではなく、データ自身 の情報だけでモデルの学習（データの一部をマスクして予測を行うなど）を 行い、データの分布や特徴などを獲得する • 自己教師あり学習の成功により、Web上の大量データだけを使って、汎用的 な言語モデルを構築することが可能となった “Self-supervised learning could lead to the creation of AI that’s more humanlike in its reasoning” (Yoshua Bengio and Yann LeCun) https://venturebeat.com/ai/yann-lecun-and-yoshua-bengio-self-supervised-learning-is-the-key-to-human-level-intelligence/
9. 大規模言語モデルの発展 9 Zhao et al. 2023
10. 医療LLMの現在地：6つの論点 10 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
11. 医療LLMの現在地：6つの論点 11 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
12. パターン認識を超えた発展 12 • 従来のAIはパターン認識に強い一方、知識 を問うようなQAタスクは苦手としていた • LLMの発展により、従来よりも自然言語の 理解・生成能力が大きく向上している • QAタスクなどのベンチマークでは、人間 に匹敵・上回る報告も多く、正答率のみで の評価は限界に近づきつつある (Nori et al., 2024)
13. Med-PaLM 2 (Singhal et al. 2025) 13 • Googleが発表した医療特化LLM（PaLM2を基盤としたドメイン適応モデル） • 医療データを用いた指示チューニングを実施し、医療知識と推論能力を最適化 • 医学的質問の回答について、多くの評価軸で医師を上回る品質の回答を得た
14. Medprompt (Nori et al. 2023) 14 • 医療分野におけるGPT-4の能力を引き出すた め、Medpromptと呼ばれるプロンプトエンジニ アリング戦略を開発し、 MedQAで90.2%超えを 達成 • 汎用モデルに対し、高度なプロンプト戦略を適 用することで、ドメイン特化型のモデルの性能 を上回る可能性を示した
15. Nori et al. 2024 15 • OpenAIが推論モデルの先駆けとしてリ リースした「o1-preview」を用いた医療 ベンチマークの評価結果 • MedQAで96.0%というスコアを記録し、 既存のタスクのほぼ上限を達成 • 難易度の高い問題に対して、多くの推論 時間をかけるほど、正答率が高かったこ とを報告した
16. Kawakami et al. 2025 16 • Qwen2.5をベースとした医療特化LLMで日本語のIgakuQAにおいて、 GPT-4oを 上回る正答率を達成 • 継続事前学習で医療ドメイン知識を注入し、また、強化学習で推論能力を向上さ せることで、高い精度と回答までの推論過程の安定化を実現
17. Meerkat (Kim et al. 2025) 17 • LLMでは「知識量≒モデルサイズ」とされる が、軽量モデルでも高い医学知識を獲得可能 であることを示した • 医学書から複雑な推論プロセスを抽出し、合 成データを作成し、モデルを微調整 • 高品質なデータによる推論能力の強化によ り、10B以下の軽量モデルでも高度な知識を 有するモデルが蒸留できることを報告した
18. 推論能力を引き出す技術 18 Chain-of-Thought (Wei et al. 2022) • 暗黙の推論プロセスを、「思考の連鎖（Chain-of-Thought：CoT）」と呼ばれ る一連の中間推論ステップとして明示化することで、LLMの複雑な推論能力を引 き出せることを示した
19. 推論能力を引き出す技術 19 Test-Time Compute（推論時スケーリング） • OpenAI o1に代表される推論モデルでは、回答前に 内部的な「思考の連鎖」を生成し、時間をかけて考 えるように設計・訓練されている • 複雑な論理的思考を要する課題において、推論時に より多くの計算資源や時間を割くことで性能が向上 することが示された https://openai.com/index/learning-to-reason- with-llms/
20. 推論能力を引き出す技術 20 Reasoning Preference Optimization (Pang et al. 2024) • 選好最適化と呼ばれるモデルが「より望ましい出力」を選びやすくする手法 • 推論タスク向けの選好最適化手法であり、正解した「推論過程＋最終回答」を選 好例、不正解例を非選好例として学習する • 模範の推論例も一緒に学習させることで、より妥当な推論過程を出しやすくする
21. 医療LLMの現在地：6つの論点 21 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
22. Small et al. 2025 22 • 入院経過（Hospital Course: HC）の要約作 成において、医師とLLMの品質を検証 • 医師が作成したHCよりも、LLMが生成のHC のほうが、編集した割合が統計的に有意に少 なかった（平均44.8% vs 平均31.5%） • ただし、Confabulation-Free（空想がないこ と）の項目の評価においては、医師のほうが 優れており、いわゆる「ハルシネーション」 の課題があったことを報告した
23. Rotenstein et al. 2026 23 • AI scribe（AIを用いて、診察中の会話からカルテ記事を生成すること）の導入に よる医師の作業時間や診察数への影響に関する調査 • AI scribeが8時間の診療枠あたり13.4分（3.0%）の減少に貢献することを示した • 文書業務の時間短縮に伴い、訪問件数が増加し、医療提供のキャパシティ向上に も寄与
24. Williams et al. 2025 24 • 医師とLLMの退院サマリの品質について評価し、5段階評価で医師とLLMの間に 有意な差は認められかった（平均3.77 vs 平均3.67）ことを報告 • LLMが「簡潔さ」と「一貫性」で医師を上回る一方、「包括性」で下回る結果と なり、LLMの「簡潔さ」と「情報の欠落」のトレードオフの難しさが示唆された
25. Swiss cheese model 25 「Clinician-in-the-loop」による品質の保証 • LLMが診療記録から草案を作成し、医師がレビューと編集することで効率的に最 終的な品質と安全性を確保する（多層防御の考え方） https://www.aisafetybook.com/textbook/component-failure-accident-models
26. 医療LLMの現在地：6つの論点 26 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
27. 情報抽出・RWD 27 • RWD発展の鍵は、構造化データだけではなく、フリーテキストの非構造データ を合わせて日常診療データから臨床的に価値のある情報を抽出し、解析可能な形 に変換すること (Adamson et al. 2023)
28. 従来の手法：パイプライン型の情報抽出 28 • 前処理、特徴量設計、固有表現抽出、構文解析、後処理を組み合わせ、タスクご とに辞書・ルール・アノテーションを設計 (Perera et al. 2020)
29. LLM：生成型の構造化アプローチ 29 • デコーダーベースの生成型モデルによ り、NER、関係抽出、イベント抽出な どを一度に構造化して出力 • タスクごとの個別モデル設計から、基盤 モデルを用いた柔軟な情報抽出へ移行 しつつある (Xu et al. 2023)
30. Hu et al. 2026 30 • 医療テキストの情報抽出タスクにおいて、従来のBERT ベースとLLMについて有用性を比較 • LLM（LLaMA2・3）モデルは、すべてのデータセットに おいてBERTの抽出精度を上回ったことを報告 • 学習データが十分に存在する場合の性能差は小さいが、学 習データが少ない状況ではその差がより大きくなるとした • サイズが大きいモデル（LLaMA-3 70B）が最も高い性能 を示したが、性能と処理速度（計算コスト）のバランスで は、8Bの小型モデルが実用的であることを示した
31. Guevara et al. 2024 31 • 電子カルテのテキスト情報から健康の社会的決定 要因（SDoH）に関する臨床情報を抽出する研究 • アノテーションデータを使って、訓練されたモデ ル（Flan-T5）が、ChatGPT 4などの汎用LLMよ りも良い性能であることを示した • ChatGPTで生成した合成データを追加することで さらに性能が改善することを報告
32. Luo et al. 2025 32 • 電子カルテの構造化データのみでは、詳細な喫煙歴（喫煙指数、禁煙年数など） が欠落していることが多く、自由記述の経過記録からの情報抽出が不可欠 • LLM （Gemini 1.5 FlashやGPT-4など）により、96%以上の高い抽出精度を達成 • この手法を実データに適用し、二次原発性肺癌のリスク予測モデル（SPLC- RAT）に組み込むことで、従来のガイドラインよりも優れた精度で高リスク患者 を特定できることを示した
33. Ishida et al. 2025 33 • LLMを用いて婦人科腫瘍のレポートから TNM病期分類を自動抽出する研究 • 現状の人手でのレジストリ入力では、5.5% から17.0%の登録エラーが確認された • クラウド型LLM（Gemini 1.5）とローカル LLM（ Qwen2.5 72B ）による情報抽出を 評価したところ、いずれも人手よりも正確 に入力できることを示した
34. 医療LLMの現在地：6つの論点 34 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
35. LLMからマルチモーダルAIへ 35 • 従来のLLMは主にテキストを入力 とし、医学知識や臨床文書を扱う モデルとして発展してきた • 一方、医療データはテキストだけ でなく、画像・波形・動画・検査 値など多様なモダリティから構成 される AlSaad et al. 2024
36. VLM（Vision Language Model） 36 • 画像の視覚情報と言語情報を統合的に理解・処理するモデル • 画像の特徴を、言語と対応可能な「意味（ベクトル）空間」で表現する Li et al. 2025
37. 医療VLMの応用 37 • 医療VLMは、画像を読むだけではなく、画像と言語情報を橋渡しする • 画像とテキストを同時に扱うことで、VQA、レポート生成、疾患診断、病変検出 などへの応用が可能となる Zhang et al. 2024
38. CLIP (Zhou et al. 2021) 38 • 画像とテキストを同じ意味空間で対応づけることを可能とするVLM • アラインメント（画像と言葉の意味的な対応づけ）により、対応する画像とテキ ストを近づけ、関係のない対応の組み合わせを遠ざけるように埋め込み空間を学 習する
39. LLaVA (Liu et al. 2023) 39 • VLMの代表的なアーキテクチャの一つで、画像特徴をLLMへと統合する方式 • Projectorという変換器を用いて、Vision Encoderで抽出された画像特徴を、テキ スト埋め込み表現へ変換し、画像情報をLLMに入力できるようにするのが特徴
40. RadFM (Wu et al. 2025) 40 • 1,600万件以上の2D・3D医療スキャンを含むデータセットで学習された、放射線 科向けの汎用基盤モデル • 2D画像や3D CTなどの医用画像をVisual Encoderで特徴量に変換し、画像特徴と テキストを交差させた入力系列を用意する
41. MoMA (Gao et al. 2025) 41 • MoMA（Mixture-of-Multimodal-Agents）を連携させ、異なるデータ形式を統合 • スペシャリスト・エージェントが、画像や数値データなどの非テキストデータ を、テキスト形式のサマリーに変換し、臨床予測タスクに入力する
42. 医療VLM・マルチモーダルAIの課題 42 課題 説明 データ 大規模で高品質な画像・テキストペアが限られ、施設差やモダ リティ差も大きい 評価 VQA、レポート生成などで評価指標が統一されておらず、臨床 的妥当性を測りにくい 安全性 幻覚、見落とし、過剰診断、ブラックボックス問題 実装 計算コスト、ワークフロー統合の障壁
43. 医療LLMの現在地：6つの論点 43 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
44. 評価・ベンチマーク上の課題 44 • 医師国家試験・MedQAのような静的QA評価では、OpenAI o1が満点に近いよう な高い性能を示し、単純な正答率比較は差が見えにくくなりつつある • 一方で、多肢選択式・試験問題ベースの評価は、実臨床で必要な問診、鑑別診 断、不確実性の扱い、検査選択、患者説明を十分には評価できない • 医療LLMの評価では、「医学知識を持っているか」から「不完全情報のもとで安 全に臨床判断を支援できるか」へ移りつつある
45. PrIME-LLM (Rao et al. 2026) 45 • 従来の多肢選択式問題による評価のみでは、LLMの複雑な臨床推論能力を十分に 測定できないという課題があった • LLMの臨床推論能力を多角的に評価（最終診断のみではなく、鑑別診断、診断検 査、その他の臨床推論など）する指標「PrIME-LLM」を開発 • 最先端のフロンティアLLMでは、最終診断においていずれも高い精度を達成した ものの、鑑別診断、最終診断に至る過程などの判断がいずれも十分でないことを 報告した
46. MedThink-Bench (Zhou et al. 2025) 46 • 先のPrIME-LLMと同様に最終回答だけではなく、推論過程や論理構造を評価す るためのベンチマークを作成 • 中間推論プロセスを明らかにする根拠を専門家がアノテーションし、これをリ ファレンスとしたLLM-as-a-Judgeの評価フレームワークを構築 • PrIME-LLMと同様、最終的回答が合っていても推論プロセスが誤っているケー スがあり、LLMの推論過程のブラックボックスの課題を明らかにした
47. AgentClinic (Schmidgall et al. 2026) 47 • 実臨床では不完全な情報の元で、患者との対話、追加情報の収集、検査選択など 逐次的な意思決定が求められる • AgentClinicは、医師・患者・検査担当・判定者の異なるエージェントで模擬診 療を行い、診断結果など評価する • 従来の医学QAベンチマークで高性能なLLMでも、実際の診療に近い「対話的・ 逐次的な意思決定」環境では性能が大きく低下することを報告
48. HealthAdminBench (Bedi et al. 2026) 48 • これまで医療LLMの評価では医療事務タスクの評価はほとんど行われていない • 専門家が設計した135の事務タスクからなるベンチマークを作成し、LLMエー ジェント（画面を操作するcomputer-use型のエージェント）の信頼性を評価 • ChatGPTやClaudeなどのフロンティアモデルでも、個別のタスクの性能は高い ものの、一連のワークフローを完遂させることが難しかったことが示された
49. McCoy et al. 2025 49 • 臨床推論スキルを評価するため、スクリプト一致試験（不確実な状況下で、新 しい情報に基づいて判断をいかに更新できるか）におけるLLMの性能を評価 • LLMの試験結果が上級研修医や指導医のレベルには達していないことを報告 • 思考の連鎖や推論モデルにより、深く推論することで極端な評価を出力する 「過剰な自信（overconfidence）」を示す傾向があることを明らかにした
50. まとめ 50 • 医師国家試験や医療QAでは、専門家レベルに近い高い医学知識・推論能力が示 されつつある • LLMによる研究の領域を超えて、医療文書作成支援はすでに臨床現場で実装・活 用が進んでいる • 画像、テキスト、検査値などを統合し、患者状態を多面的（マルチモーダル）に 理解するAIへ発展しつつある • 高いベンチマークスコアだけでなく、実際の臨床プロセスで安全に役立つかが今 後の鍵となる
51. 医療LLMの現在地：6つの論点 51 1. LLMの医学知識・能力 2. 医療文書生成・要約 3. 情報抽出・RWD 4. マルチモーダル化 5. 評価・ベンチマーク上の課題 6. EHR統合・実装上の課題
52. 52 • 米国の病院を対象とした調査において、2024年時点で31.5%の病院がEHR統合型 の生成AIを導入済みであり、24.7%が1年以内に導入予定であることを報告 • Epic社のEHRを使用している病院で導入・導入予定の割合が大幅に高かった
53. 53 https://www.healthcaredive.com/news/epic-rolls-out-ai- charting-art-notetaking-documentation-scribe/811462/ https://www.epic.com/epic/post/microsoft-and-epic-expand- strategic-collaboration-with-integration-of-azure-openai-service/ Epicが進める生成AI戦略
54. 国内事例 54 • NEC、富士通、IBMなど主要な電子カルテベンダーが開発・実装を進めている 開発中の「MegaOak/iS AIメディカルアシスト」の画面 https://jpn.nec.com/press/202403/20240318_01.html
55. 国内事例 55 • スタートアップを中心に業務支援AI・音声入力支援AIなどの実装が進んでいる https://medimo.ai/ https://txpmedical.jp/service/speecher/ https://intro.dr-ubie.com/hospitals/generativeai_lp
56. 56 生成AIは、性能だけでは医療現場に価値を産まない 環境および技術的な論点 • EHRや患者ポータルに統合され、日常業務の中で自然に使える • 既存ワークフローを妨げず、医療者の負担を増やさないUI・運用設計 • 導入効果を出すための業務再編、現場教育、組織的なリーダーシップ • AIの出力に誰がどう責任を持つかという人間との役割分担
57. 57 • 医療技術の導入では、チャンピオンと呼ばれる現場での採用・定着を支える推進 者が重要とされる • 導入効果の最大化には、個人の主体性に加えて、役割の明確化、活動時間の確 保、教育機会、組織的支援が不可欠である
58. 58 • インフラやワークフロー統合などの面から、電子カルテ（EHR）ベンダーがサー ドパーティのAI開発企業に対して圧倒的な競争優位性を持っていることを指摘 • 優れたサードパーティ製品をもつスタートアップの参入が困難となり、公平な競 争が欠如し、エコシステム全体の健全性が失われるとの懸念を示している • EHRとシームレスに連携するためのAPI連携の普及、サンドボックスの提供など を通じて、効果的なソリューションがより普及することが望ましいとしている
59. 優れた流通は優れた製品に勝る 59 • 有名病院が採用したからといって、他が追随すると いう「halo effect（ハロー効果）」は生まれない • 電子カルテ（Epic）との連携のしやすさが大きな競 争力になる https://x.com/joshuapliu/status/2063774750615199949 “病院が王様だと思っていた。でも、本当の キングメーカーはEpicだった。” Joshua Liu (SeamlessMD共同創業者・CEO) の投稿
60. 独自仕様から標準APIへ 60 サードパーティAIが医療現場に入るために • 独自仕様や個別実装に依存した連携では、外部 ベンダーやサードパーティAIが参入しにくい • 柔軟なEHR連携には、システム間の依存を減ら し、疎結合な構成を保つことが重要 • そのための共通言語として、例えばFHIRのよう な標準規格が考えられる https://aigilxhealth.com/providers
61. コンテキストの重要性 61 「何を見て答えるか」が出力を左右する • LLMは与えられた情報の範囲でしか答えられない（プロンプトの指示だけでは限 界がある）≒ 優秀な人材でも、院内ルール・業務フローを知らず、診療情報な ど必要な情報にアクセスできなければ現場では活躍できない • 多くのタスクでは、プロンプトの指示の書き方だけでなく、院内ルールや患者情 報など、目的に応じた情報へのアクセスが前提になる タスクに応じて情報を整理し、適切なコンテキストとしてLLMに渡すことが重要
62. コンテキストの重要性 62 • EpicのようなEHRベンダーは、患者データ、 UI、ワークフローに近く、コンテキストへの アクセス性で大きな優位を持つ • 外部のサードパーティは優れたLLMを持って いても、EHR内のコンテキストにアクセスで きなければ利活用は限定される • MCP（Model Context Protocol）の概念は、 コンテキストを、外部LLMに対して標準化し た形で提供するためのインターフェースとなり 得る https://www.ultralytics.com/ja/blog/the-next-step-in-ai- automation-model-context-protocol-mcp
63. LLMの出力の品質の決定要因 63 入力情報 （≒プロンプト） 指示 コンテキスト 例示 モデル パラメータ アーキテクチャ 学習データ
64. Prompt Engineering 64 • LLMを効果的に用いるために指示・質問・出力形式などのプロンプトを設計する ためのプロセス • 医学研究でも、同じLLMでもプロンプトの設計によって回答の品質が大きく影響 することなることがしばしば報告されている(Li et al. 2026) https://www.astera.com/type/blog/prompt-engineering-best-practices
65. Context engineering 65 • LLMへ与える文脈情報（参照情報・検索結 果・ツール出力など）を設計・管理するため のプロセス • 単にプロンプトを書くのではなく、限られた コンテキストウィンドウにどの情報を入れる かが重要 • そのため、検索・ツール利用・会話履歴・外 部データを整理し、必要な文脈を動的に与え る設計が重要とされている https://www.philschmid.de/context-engineering
66. Retrieval-Augmented Generation (RAG) 66 • LLMが持つ知識にすべて任せるのではなく、タス クに即して外部の知識を参照することで、タスク の性能改善（検索など）を目指す • ユーザーのプロンプトから、外部の知識を参照し、 適切な情報を取り出した後、その情報をプロンプ トに注入し、LLMに応答を生成させる (Asai et al. 2023)
67. SELF-RAG (Asai et al. 2023) 67 • 従来のRAGでは、検索した文書を一括 でLLMに与えるため、関係のない文脈 が混入したり、ソースに根拠のない内 容を生成したりする可能性があった • Self-RAGは、検索するかどうか、検索 結果が役立つか、生成文が根拠に支え られているかを、モデル自身が評価しな がら回答を生成する枠組み • 文脈を動的に取得・選択することで、回 答の事実性・検証可能性を高めた
68. Agentic RAG 68 • 従来のRAGでは、検索した文書を一括で LLMに与えるため、関係のない文脈が混入 したり、ソースに根拠のない内容を生成し たりする可能性があった • Agentic RAGでは、LLMエージェントが質 問を分解し、情報源の選択、検索クエリ作 成、再検索などを能動的に行う • これにより、必要な情報を選択・圧縮・統 合し、限られたコンテキストウィンドウを 有効に使うことが可能となる https://www.geeksforgeeks.org/artificial- intelligence/what-is-agentic-rag/
69. コンテキストが品質を決める 69 • 病院業務では、教科書的な医学知識だけでなく、患者の検査値、処方歴、経過記 録、さらに法規制、院内ルールなどの情報（コンテキスト）が必要になる • プロンプトやモデル性能に加えて、コンテキストへの適切なアクセス、必要な ツールの利用が品質に大きく影響する • Epicのように電子カルテベンダーがコンテキストへのアクセス容易性で圧倒的に 優位であり、これを共有し、相互運用性を高めるのは容易ではない • 今後はLLMのモデル性能の良し悪しだけではなく、情報のアクセス性の障壁を下 げることで、優れたソリューションが普及し、より効果的なエコシステムの構築 が出来る可能性がある
70. まとめ 70 • 医療AI・LLMは医学QAで急速に性能が向上し、さらに診断支援や臨床推論な ど、より臨床に近い課題へ応用が広がっている • AIスクライブ（診療記録の自動生成）など、実際の医療現場での社会実装が進み つつある • フリーテキストの構造化によるリアルワールドデータ（RWD）の活用により、 研究・臨床での新たな価値創出が期待される • 性能だけでは社会実装は普及しない。コンテキストへのアクセスと統合が、品質 と実装を大きく左右する • API連携・相互運用性の障壁を下げることが健全なエコシステムにつながる