ハーバー研究がScienceに掲載：OpenAIの緊急診断正確率67％、2人の人間の医師を打ち負かす

ハーバード医科大学とBeth Israel Deaconess Medical Centerの共同チームが、科学誌《Science》に研究を発表し、76人の救急患者をサンプルに、OpenAI o1モデルの診断意思決定能力を検証した。結果は、o1の正確率が67％に達し、内科の主治医2人の55％と50％を著しく上回った。しかし、研究者たちは同時に重要な警告も発している：対照群は救急科医ではなく、またAIが実際の状況下で生死を決定できると主張しているわけではない。

（前提：カリフォルニア大学の研究「AI霧現象」：14％のサラリーマンがエージェントや自動化に狂わされ、離職意欲が40％に上昇）

（背景補足：《サピエンス全史》の著者：AIは脅威になりつつある。核兵器のように人類文明の作業システムを破壊している！）

このハーバード医科大学の論文は、トップクラスの学術誌《Science》に静かに掲載され、医療AIの議論がデモの舞台から臨床研究の領域へ正式に進出した。

この研究は、ハーバード医科大学とBeth Israel Deaconess Medical Centerが共同で行い、実際の76人の救急患者の診療記録をサンプルとして、OpenAI o1、GPT-4o、そして二人の内科主治医に各ケースの診断を行わせた。評価基準は、「正確または非常に近い正解を出した割合」である。

最終的な数字は、多くの人の目を引いた——o1の正確率は**67％に達し、二人の人間医師はそれぞれ55％と50％**だった。GPT-4oも対照として含まれたが、o1の方がパフォーマンスは上だった。

o1の強みはどの部分？

研究チームは特に指摘しているのは、o1と人間医師の差が最も顕著に現れたのは、「初期トリアージ（triage）」段階——つまり、患者が救急に入った直後、情報が最も少なく、不確実性が高い瞬間だ。

この状況下で、o1は文字による訴え、症状、バイタルサインの記述から、初期診断の方向性を統合しなければならない。これはまさに大規模言語モデルの得意分野：構造化された文章のパターン認識、科目横断的な知識の迅速な統合、そして情報不足の中でも論理的推論の道筋を示す能力だ。

GPT-4oも対照テストに参加したが、同じ条件下ではo1ほど安定したパフォーマンスを示さず、医師との差も相対的に小さかった。研究者はこれを、o1のより強力な推論チェーン構造に起因すると考えている。

研究の意義としては、これは単なる「AIがベンチマークで勝った」話ではなく——サンプルは実際の救急診療記録から採取されており、人工的に設計されたテスト問題ではないため、この数字には臨床的な参照価値が一定程度ある。

ヘッドラインに惑わされるな：知っておくべき3つの前提条件

この研究が広く議論を呼ぶ前に、まず確認すべき3つのポイントがある。

**第一、対照群は救急科医ではない。**比較に用いられた二人の医師は「内科の主治医」であり、救急科の訓練を受けたER医師ではない。救急診断の核心的難しさは、高圧、多重タスク、断片化された情報の現場判断にある。内科医はこの場面では最適な比較基準ではなく、研究の比較枠組み自体に挑戦の余地がある。

**第二、これは「文字によるトリアージ」であり、実際の多モーダル救急現場ではない。**研究責任者も明言している：「これは文字による傷病分類に過ぎず、実際の多モーダルERではない。」実際の救急は画像診断、身体観察、現場コミュニケーション、緊急処置など、多様な要素に満ちている。これらは現状の大規模言語モデルが介入できる領域ではない。

**第三、研究チーム自身はAIが生死を決めることを主張していない。**結果発表と同時に、研究者たちはこの研究の制約を強調し、AI診断を臨床に直接適用すべきだとは提言していない。

この点から見れば：この研究は確かに技術的なマイルストーンを示している——「構造化された文字診断」の分野で、AIは特定の状況下の人間医師を超える能力を持ち得ることを示した。しかし、「実験室の正確さ」から「医療現場での実用化」へと進むには、法規制責任の所在、多モーダル統合能力、院内システム連携、そして最も難しい「誤作動時の責任問題」が待ち受けている。技術的ハードルは越えたかもしれないが、医療AIの本格的な実用化には、まだ多くの課題が残されている。