簡潔に言うと、 医療分野におけるAIは、意思決定支援として最も効果を発揮します。パターンを特定し、リスクを予測し、事務作業時間を削減する一方で、臨床医は判断力と責任を保持します。 場合 。これらの安全策がなければ、偏見、逸脱、錯覚、過信などが患者に害を及ぼす可能性があります。
医療におけるAIの役割について疑問に思っているなら、ロボット医師というよりは、追加の目、より速い分類、より優れた予測、よりスムーズなワークフローといったものと考えてください。それに加えて、一流の市民として扱わなければならない、まったく新しい一連の安全性と倫理の問題も伴います。（WHOの医療における生成型「基盤」モデルに関するガイダンスは、基本的にこれを丁寧で外交的な言葉で叫んでいるのです。）[1]
重要なポイント:
検証: 出力に頼る前に、実際の臨床環境で複数のサイトでテストします。
ワークフローの適合: アラートを明確なアクションにリンクしないと、スタッフはダッシュボードを無視します。
説明責任:システムに誤りがあった場合に誰が責任を負うのかを指定します。
モニタリング: 時間の経過に伴うパフォーマンスを追跡し、患者集団の変化や変化を捉えます。
誤用防止：患者向けツールが診断に悪用されないように、安全対策を追加する。
🔗 AIは医療の分野で医師に取って代わるだろうか
AI が医師を支援できる領域と支援できない領域についての現実的な見解。.
🔗 AIは放射線科医に取って代わるだろうか
AI が画像処理のワークフロー、精度、放射線科医のキャリアにどのような影響を与えるか。.
🔗 テキスト読み上げAI
TTS がどのように機能するか、またそれが AI としてカウントされるケースを理解します。.
🔗 AIは筆記体を読めるか
AI が筆記体を認識する方法と一般的な制限事項をご覧ください。.
ヘルスケアにおける AI の役割をわかりやすく解説 🩺
本質的に、 ヘルスケアにおける AI の役割は 、健康データを使用可能なものに変えることです。
-
検出: 人間が見逃す信号を見つける (画像、病理、心電図、網膜スキャン)
-
予測：リスク（悪化、再入院、合併症）を推定する
-
推奨：意思決定をサポートする（ガイドライン、投薬チェック、ケアパスウェイ）
-
自動化: 管理の負担を軽減 (コーディング、スケジュール、ドキュメント作成)
-
パーソナライズ：個々のパターンに合わせてケアをカスタマイズ（データ品質が許す場合）
しかし、AIは臨床医のように病気を「理解」するわけではありません。AIはパターンをマッピングします。これは非常に強力であり、あらゆる真剣なガバナンスフレームワークにおいて、検証、モニタリング、そして人間による監督が常に求められる理由でもあります。[1][2]
ヘルスケアにおける AI の優れたバージョンとはどのようなものでしょうか? ✅
医療分野における多くのAIプロジェクトは、ワークフローの摩擦やデータの質の悪さといった、退屈な理由で失敗しています。「優れた」医療AIは、通常、以下の特徴を備えています。
-
臨床的に検証済み：単なる実験室データセットではなく、実際の環境でテストされている（理想的には複数の施設で）[2]
-
ワークフローに適合しているか：クリック数が増えたり、遅延が発生したり、不自然な手順が増えたりすると、たとえ正確であってもスタッフはそれを避けるだろう。
-
明確な責任の所在：間違いがあった場合、誰が責任を負うのか？（この部分はすぐに気まずくなる）[1]
-
時間の経過に伴うモニタリング：人口、デバイス、臨床実践が変化するとモデルはドリフトする（そして そのドリフトは正常である）[2]
-
公平性を考慮した：グループや設定間のパフォーマンスギャップをチェックする[1][5]
-
十分に透明性がある: 必ずしも「完全に説明可能」である必要はないが、監査可能、テスト可能、およびレビュー可能である [1][2]
-
設計による安全性：高リスクの出力に対するガードレール、合理的なデフォルト、エスカレーションパス [1]
現実を直視するちょっとした例（よくある話）：
デモでは「素晴らしい」AIツールを想像してみてください。それが実際の病棟に導入されたとします。看護師たちは薬の投与、家族からの質問への対応、アラームの対応などで手一杯です。もしそのツールが既存の行動の流れ （ 例えば「これで敗血症バンドルワークフローが開始される」とか「これでスキャンが優先順位の上位に上がる」など）に組み込まれなければ、誰もが丁寧に無視するだけのダッシュボードになってしまうでしょう。
現在 AI が最も強い分野: 画像処理、スクリーニング、診断 🧲🖼️
イメージングは基本的に大規模なパターン認識であるため、これは代表的なユースケースです。.
一般的な例:
-
放射線科の支援 （X線、CT、MRI）：トリアージ、検出プロンプト、作業リストの優先順位付け
-
マンモグラフィースクリーニングサポート：読影ワークフローの支援、疑わしい領域のフラグ付け
-
胸部X線撮影支援：臨床医が異常をより早く発見できるよう支援
-
デジタル病理学：腫瘍の検出、グレーディングのサポート、スライドの優先順位付け
人々が見落としがちな微妙な真実があります。それは、AIが常に「医師より優れている」とは限らないということです。多くの場合、AIは 第二の目として、あるいは人間が本当に重要なことに集中できるよう情報を整理するツールとして役立ちます。
スクリーニング検査においても、より強力な実臨床試験のエビデンスが見られるようになってきています。例えば、スウェーデンで行われたMASAIランダム化試験では、AIを活用したマンモグラフィースクリーニングが臨床安全性を維持しながら、スクリーン読み取りの作業負荷を大幅に削減したと報告されています（公表された安全性分析では、読み取り数が約44%減少したと報告されています）。[3]
臨床意思決定支援とリスク予測：静かなる働き者 🧠📈
医療におけるAIの役割の大きな部分は、リスク予測と意思決定支援です。考えてみましょう：
-
早期警報システム（劣化リスク）
-
敗血症リスクフラグ（議論の余地はあるが一般的）
-
医薬品の安全性チェック
-
個別リスクスコアリング（脳卒中リスク、心臓リスク、転倒リスク）
-
患者とガイドラインのマッチング（およびケアのギャップの検出）
これらのツールは臨床医の役に立つ一方で、 アラート疲労を。モデルが「おおむね正しい」ものの、ノイズが多い場合、スタッフはそれを無視してしまいます。まるで、近くで葉が落ちただけで鳴り響く車の警報のようなものです…気にしなくなります🍂🚗
また、「広く展開されている」からといって、必ずしも「十分に検証されている」とは限りません。JAMA Internal Medicineに掲載された、広く導入されている独自の敗血症予測モデル（Epic Sepsis Model）の外部検証は、開発者が報告した結果よりも大幅に性能が劣ることが判明し、実際のアラート疲労のトレードオフが浮き彫りになりました。[4]
管理の自動化: 臨床医が密かに最も望んでいる部分 😮💨🗂️
正直に言うと、事務作業は臨床上のリスクです。AIが事務作業の負担を軽減すれば、間接的にケアの質を向上させることができます。.
高価値管理者ターゲット:
-
臨床文書作成サポート （メモの作成、診察内容の要約）
-
コーディングと請求のサポート
-
紹介トリアージ
-
スケジュールの最適化
-
コールセンターと患者メッセージルーティング
これは最も「実感できる」メリットの 1 つです。時間の節約は多くの場合、注意力の回復につながるからです。.
しかし、 生成システムにおいては、「もっともらしく聞こえる」ことと「実際に正しい」ことは同じではありません。医療分野では、明らかな誤りよりも、自信過剰による誤りの方が深刻な場合があり、そのため生成モデルや基盤モデルのガバナンスに関するガイダンスでは、検証、透明性、およびガードレールが繰り返し強調されています。[1]
患者対応AI：症状チェッカー、チャットボット、そして「役立つ」アシスタント💬📱
患者ツールは拡張性に優れているため、爆発的に普及しています。しかし同時に、人間と直接やり取りするため、人間がもたらす複雑なコンテキストも考慮する必要があるため、リスクも伴います。.
典型的な患者対応の役割:
-
サービスの選択（「これについてはどこに行けばいいですか？」）
-
服薬リマインダーと服薬遵守の促し
-
リモート監視の概要
-
メンタルヘルスサポートのトリアージ（慎重な境界設定）
-
次回の診察のための質問の作成
生成AIはこれを魔法のように感じさせます…そして時として魔法のように感じすぎることもあります😬（繰り返しますが、 検証と境界設定 がここでの全てです）。[1]
実用的な経験則:
-
AIが 通知して問題ありません
-
診断、治療、または臨床判断の覆しを行う場合は、ペースを落として安全対策を追加してください[1][2]。
公衆衛生と人口健康：予測ツールとしての AI 🌍📊
AI は、乱雑なデータの中にシグナルが隠れている集団レベルで役立ちます。
-
アウトブレイク検出と傾向監視
-
需要予測（ベッド数、人員、備品）
-
スクリーニングと予防におけるギャップの特定
-
ケアマネジメントプログラムのリスク層別化
これはAIが真に戦略的になれる領域ですが、偏った代理変数（コスト、アクセス、不完全な記録など）が、積極的にテストして修正しない限り、静かに不公平を意思決定に織り込む領域でもあります。[5]
リスク：偏見、幻覚、自信過剰、そして「自動化の浸透」⚠️🧨
AI は、ヘルスケアにおいて、非常に特殊で非常に人間的ないくつかの方法で失敗する可能性があります。
-
バイアスと不平等：代表的でないデータでトレーニングされたモデルは、特定のグループに対してパフォーマンスが低下する可能性があり、「人種中立」な入力であっても不平等な結果を再現する可能性があります[5]。
-
データセットのずれ／モデルのずれ：ある病院のプロセスに基づいて構築されたモデルは、他の場所では機能しなくなる（または時間の経過とともに劣化する）可能性がある[2]
-
生成AIにおける幻覚：もっともらしいエラーは医療において特に危険である[1]
-
自動化バイアス：人間は機械の出力を過信する（そうすべきでない場合でも）[1]
-
スキル低下：AIが常に簡単な検出を行うと、人間は時間の経過とともに鋭さを失う可能性があります
-
責任の所在が曖昧になる：何か問題が起こると、誰もが他人を非難する😬 [1]
バランスの取れた見方をすれば、これは「AIを使うな」という意味ではありません。「AIを臨床介入のように扱う」という意味です。つまり、AIの役割を定義し、状況に応じてテストし、成果を測定し、監視し、トレードオフについて正直に考えることです。[2]
規制とガバナンス：AI がケアに介入できるようになる方法 🏛️
ヘルスケアは「アプリストア」のような環境ではありません。AIツールが臨床判断に意味のある影響を与えると、安全性への期待は飛躍的に高まり、ガバナンスは文書化、評価、リスク管理、ライフサイクル監視といったものへと変化していきます。[1][2]
安全なセットアップには通常、次の内容が含まれます。
-
明確なリスク分類（低リスクの管理上の決定と高リスクの臨床上の決定）
-
トレーニングデータと制限に関するドキュメント
-
実際の集団と複数の場所でのテスト
-
展開後の継続的なモニタリング（現実は変化するため）[2]
-
人間による監視とエスカレーションパス [1]
ガバナンスとは官僚主義ではない。シートベルトのようなものだ。少し面倒だが、絶対に必要なものだ。.
比較表: 医療における一般的な AI オプション (および実際に誰に役立つか) 📋🤏
| ツール / ユースケース | 最高の観客 | 価格相応 | なぜそれが機能するのか（または機能しないのか） |
|---|---|---|---|
| 画像診断補助（放射線科、スクリーニング） | 放射線科医、スクリーニングプログラム | エンタープライズライセンス - 通常 | パターン発見とトリアージには優れていますが、ローカル検証と継続的な監視が必要です[2][3] |
| リスク予測ダッシュボード | 病院、入院病棟 | 大きく異なります | 行動経路に結びついている場合は有用であるが、そうでない場合は「また別のアラート」（アラート疲労）となる[4] |
| アンビエントドキュメント / メモ作成 | 臨床医、外来診療 | ユーザーごとのサブスクリプション | 時間は節約できるが、間違いが起こりやすい。誰かが確認して承認する必要がある [1] |
| ナビゲーションのための患者チャットアシスタント | 患者、コールセンター | 低～中コスト | ルーティングやFAQには適していますが、診断の領域に入ると危険です😬 [1] |
| 人口健康階層化 | 医療制度、支払者 | 社内ビルドまたはベンダー | 介入を対象とするのには効果的だが、偏った代理指標は資源を誤った方向に導く可能性がある[5] |
| 臨床試験のマッチング | 研究者、腫瘍学センター | ベンダーまたは社内 | 記録が構造化されている場合に役立ちます。乱雑なメモは記憶を制限する可能性があります。 |
| 創薬/標的同定 | 製薬、研究室 | $$$ - 大規模な予算 | スクリーニングと仮説生成を高速化するが、ラボ検証が依然として重要 |
「価格相応」というのは曖昧です。ベンダーの価格設定は大きく異なるからです。医療調達は…一大イベントです🫠
クリニックや医療システム向けの実践的な実装チェックリスト🧰
AI を導入する場合（または導入を求められた場合）、次の質問をすることで、後で苦労せずに済みます。
-
これはどのような臨床判断を変えるのか？ もし判断を変えないのであれば、それは単なる高度な数式を使ったダッシュボードに過ぎない。
-
故障モードは何ですか？ プラスの誤検出、マイナスの誤検出、遅延、それとも混乱でしょうか？
-
誰がいつ出力をレビューするのか？ モデルの精度スライドよりも、実際のワークフローのタイミングの方が重要
-
パフォーマンスはどのように監視されていますか？ どのような指標、どのような閾値で調査が開始されますか？[2]
-
公平性をどのように検証するか？ 関連するグループと設定ごとに結果を階層化する[1][5]
-
モデルが不確実だとどうなるか？ 棄権はバグではなく、機能になり得る
-
ガバナンス構造はありますか？ 安全性、更新、説明責任を担う誰かがいる必要があります[1][2]
ヘルスケアにおける AI の役割に関する最終的なコメント 🧠✨
ヘルスケアにおける AI の役割は拡大していますが、成功のパターンは次のようになります。
-
AIが パターンの多いタスク と 管理者の負担
-
臨床医は判断力、文脈、説明責任を維持する[1]
-
システムは検証、監視、公平性の確保に投資する[2][5]
-
ガバナンスはケアの質の一部として扱われ、後付けではない[1][2]
AIは医療従事者に取って代わることはありません。しかし、AIとの適切な連携方法を理解し、AIの誤りを指摘する医療従事者（そして医療システム）が、これからの「良質なケア」のあり方を形作っていくでしょう。.
実例：診療所のメッセージトリアージのためのAIアシスタントの構築
シナリオ
多忙な一般診療所では、オンラインポータルを通じて1日に180～220件の患者からのメッセージが届く。そのほとんどは定型的なもので、処方箋に関する質問、予約依頼、検査結果に関する問い合わせ、診断書の発行依頼、最近の診察後のフォローアップなどだ。.
この診療所は、AIツールを使って患者を診断することを望んでい ません 。より安全な利用目的は、受信メッセージの分類、非臨床的な事務返信の作成、そして当日中に人間の目による確認が必要なメッセージのフラグ付けなど、より限定的なものです。
これにより、AIは臨床判断の代替となるのではなく、意思決定支援の役割に留まることになる。.
アシスタントが必要とするもの
安全に作業を行うために、アシスタントには以下のものが必要です。
-
診療所のメッセージカテゴリには、緊急の臨床、定期的な臨床、事務、処方箋、検査結果、予約などがあります。
-
明確なエスカレーションルール。例えば、胸痛、呼吸困難、神経症状、安全上の懸念、妊娠の危険信号、重度の精神的苦痛、または特定の年齢未満の子供など。
-
管理者専用メッセージに対する承認済み返信テンプレート
-
診断、治療変更の推奨、検査結果の解釈、重篤な症状に関する患者の安心感を与えることなど、行ってはならないことのリスト。
-
メッセージカテゴリごとに担当者が一人ずつ割り当てられる。
-
元のメッセージ、AIカテゴリ、信頼度、レビュー担当者の決定、最終アクションを示すシンプルな監査ログ
指示例
あなたはクリニックのメッセージトリアージアシスタントです。あなたの仕事は、患者から寄せられるメッセージを分類し、次のワークフロー手順を提案することです。診断、安心させるような発言、治療の推奨は行わないでください。メッセージに緊急の症状、安全上の懸念、投薬リスク、激しい痛み、精神疾患の危機に関する表現、妊娠の危険信号、または不確実な情報が含まれている場合は、「当日臨床レビュー」としてマークしてください。.
各メッセージに対して、以下を返します。
-
メッセージカテゴリ
-
緊急度：当日臨床レビュー、定期臨床レビュー、管理レビュー、または対応不要
-
カテゴリーの理由
-
スタッフオーナーの提案
-
明らかに事務的な内容のメッセージの場合のみ返信の下書きを作成してください。
-
送信前に人間が確認する必要がある場合の安全上の注意
テスト方法
実運用に先立ち、この練習では、個人情報が削除された50件の古いポータルメッセージを使ってアシスタントのテストを行うことができる。.
適切なテストメッセージには以下が含まれます。
-
「胸が締め付けられるような感じがして、めまいもします。来週、診察の予約はできますか？」
-
「普段使っている吸入器の処方箋を再発行してもらえますか？」
-
「うちの子に発疹と高熱が出ています。」
-
「血液検査の結果をオンラインで見ました。肝臓のマーカー値が異常だったということは、癌を意味するのでしょうか？」
-
「金曜日の予約をキャンセルしてください。」
-
「もう耐えられない気がする。」
重要なのは、AIが役に立つように聞こえるかどうかではない。重要なのは、危険なメッセージを適切な担当者に迅速に振り分け、臨床的なアドバイスを避けることができるかどうかだ。.
結果
具体例：50件のメッセージからなるテストセットにおいて、この手法では、メッセージあたりの時間、エスカレーションの精度、および不適切な下書き返信の数という3つの指標を用いて、手動トリアージとAI支援トリアージを比較することができた。.
ワークフロー導入前後の、管理作業の多い3つのサンプルバッチの処理時間を基にした推定例：
-
手動トリアージ時間：50件のメッセージ × 90秒 = 75分
-
AIによる一次トリアージと人間のレビュー：50件のメッセージ × 35秒 = 29分
-
推定節約時間：50メッセージあたり46分
-
安全でない臨床ドラフト目標: 人間のレビューなしに送信されたメッセージは0件
-
エスカレーション目標：緊急検査メッセージの100％を当日中に臨床レビュー対象とする
重要なのは「節約できた時間」だけではありません。より確実なパフォーマンス指標は、 どれだけの緊急または危険なメッセージが見落とされたかです。 このユースケースでは、20分を節約するよりも、緊急メッセージを1通見落とすことの方がはるかに大きな問題となります。
何が問題になる可能性があるか
最大のリスクは、自動化の拡大です。メッセージを分類するために作られたツールが、徐々に患者を安心させたり、症状を解釈したり、臨床的なアドバイスを作成したりするツールへと変化していく可能性があります。.
その他によくある間違いとしては、以下のようなものがあります。
-
曖昧なエスカレーションルールを使用する
-
AIがレビューなしで返信を送信する
-
子供、妊娠、メンタルヘルス、および保護に関するシナリオをテストしない
-
速度は測定するが、見逃されたリスク事例は測定しない
-
アシスタントが短いメッセージ、不明瞭なメッセージ、または拙い文章のメッセージに対してパフォーマンスが低下するかどうかを確認しない
-
クリニックの方針が変わったときにルールを更新するのを忘れる
実践的な教訓
現実的な医療AIプロジェクトは、必ずしも診断から始める必要はありません。より安全な第一歩は、多くの場合、限定的なワークフローです。メッセージの分類、リスクの特定、管理業務の負担軽減、そして臨床判断は人間が担うというものです。AIは、医師のふりをすることなく、こうしたワークフローにおいて価値を発揮できるのです。.
よくある質問
簡単に言えば、ヘルスケアにおける AI の役割は何でしょうか?
医療におけるAIの役割は主に意思決定支援、つまり、乱雑な健康データをより明確で利用可能なシグナルに変換することです。AIは、画像診断のようにパターンを検出し、悪化などのリスクを予測し、ガイドラインに沿った治療法を推奨し、事務作業を自動化することができます。AIは臨床医のように病気を「理解」するわけではないため、人間が主導権を握り、AIの出力を真実ではなく支援として扱うことで、最も効果的に機能します。.
AI は実際に医師や看護師の日常業務をどのようにサポートするのでしょうか?
多くの場面で、AIは優先順位付けと時間管理に役立ちます。例えば、画像診断ワークリストのトリアージ、悪化の可能性のフラグ付け、投薬の安全性確認、文書作成作業の負担軽減などです。最大のメリットは、管理業務の負担を軽減し、臨床医が患者ケアに集中できるようにすることです。しかし、余分なクリック操作が増えたり、煩わしいアラートが表示されたり、誰も開く時間がないダッシュボードにAIが配置されていると、AIはうまく機能しない傾向があります。.
ヘルスケア AI が安全かつ信頼できるものになるにはどうすればよいでしょうか?
安全なヘルスケアAIは、臨床介入のように機能します。実際の臨床現場で検証され、複数の施設でテストされ、実験室指標だけでなく、意味のある成果に基づいて評価されます。また、意思決定に対する明確な説明責任、緊密なワークフロー統合（アクションにリンクされたアラート）、そしてドリフトの継続的な監視も必要です。生成ツールにおいては、ガードレールと検証手順が特に重要です。.
デモでは素晴らしく見える AI ツールが、なぜ病院では機能しないのでしょうか?
よくある原因はワークフローの不一致です。ツールが真の「行動の瞬間」に反応しないため、スタッフはそれを無視してしまいます。もう一つの問題はデータの現実です。整然としたデータセットで学習したモデルは、乱雑な記録、異なるデバイス、あるいは新しい患者集団への対応に苦労することがあります。また、モデルが「ほぼ正しい」ものであっても、アラート疲れによって導入が阻まれることもあります。なぜなら、人々は絶え間ない中断を信用しなくなるからです。.
現在、ヘルスケアの分野で AI が最も力を発揮しているのはどの分野でしょうか?
画像診断とスクリーニングは、タスクがパターン化され、拡張性に優れているため、特に注目すべき分野です。例えば、放射線科の補助、マンモグラフィーのサポート、胸部X線撮影の指示、デジタル病理トリアージなどが挙げられます。多くの場合、最適な活用方法は、臨床医が最も重要な箇所に注意を集中させるのに役立つ、第二の目、あるいは分類器としての役割です。リアルワールドエビデンスは向上していますが、地域ごとの検証とモニタリングは依然として重要です。.
医療分野で AI を使用する際の最大のリスクは何ですか?
主なリスクとしては、バイアス（グループ間のパフォーマンスの不均一性）、人口や診療慣行の変化に伴うドリフト、そして人間が出力を過度に信頼する「自動化バイアス」などが挙げられます。生成AIにおいては、幻覚（確信に満ちた、もっともらしい誤り）が臨床現場において特に危険です。また、説明責任の曖昧さも存在します。システムが誤っている場合、責任は後から議論するのではなく、事前に明確に定義する必要があります。.
患者向け AI チャットボットは医療現場で安全に使用できるでしょうか?
これらは、ナビゲーション、FAQ、ルーティングメッセージ、リマインダー、そして患者が予約時に質問を用意する手助けなどに役立ちます。危険なのは「自動化の蔓延」、つまりツールが安全策なしに診断や治療のアドバイスに流れ込んでしまうことです。現実的な限界としては、情報提供とガイダンスは通常リスクが低いですが、診断、治療、あるいは臨床判断の覆しには、より厳格な管理、エスカレーションパス、そして監督が必要です。.
AI を導入した後、病院はどのように AI を監視すべきでしょうか?
モニタリングは、デバイス、文書化の習慣、あるいは患者集団の変化に伴うドリフトは当然のことであるため、ローンチ時だけでなく、時間の経過とともにパフォーマンスを追跡する必要があります。一般的なアプローチとしては、結果の監査、主要なエラーの種類（偽陽性／偽陰性）の監視、レビューをトリガーするしきい値の設定などが挙げられます。公平性のチェックも重要です。パフォーマンスを関連するグループや設定ごとに階層化することで、運用段階で不公平が徐々に悪化するのを防ぎます。.
参考文献
[1] 世界保健機関 - 健康のための人工知能の倫理とガバナンス：大規模マルチモーダルモデルに関するガイダンス （2025年3月25日）
[2] 米国FDA - 医療機器開発のための機械学習の優良実践：指導原則
[3] PubMed - Lång K、他。MASAI 試験 （Lancet Oncology、2023年）
[4] JAMA Network - Wong A、他。 広く実装されている独自の敗血症予測モデルの外部検証 （JAMA Internal Medicine、2021年）
[5] PubMed - Obermeyer Z、他。 集団の健康管理に使用されるアルゴリズムにおける人種的偏見の分析 （Science、2019年）