予防医療は長い間、医療政策立案者や計画立案者の合言葉になっていますが、慢性疾患による世界中での負担はかつてないほど大きくなっています。
2025年には、世界の成人の9人に1人が糖尿病を患っています。その90％は、10年以上にわたる不適切な食事（「過栄養」）、運動不足、肥満が原因で2型糖尿病の急増に陥っています。1この予防医療の失敗により、世界的に約6億4000万人が心血管疾患を抱える原因となっています。2身体的な病気以外にも、メンタルヘルスの問題（身体的な健康4、社会福祉、働く能力を害すること）も増加しています。32つ以上の慢性疾患を抱えて生活する人が増えています。特に高齢者や社会経済的逆境に直面している地域では、複数の慢性疾患の状態が、より裕福な地域よりも10～15年早く現れることがあります。5
これは単に公衆衛生上だけではなく、経済上の危機でもあります。このような両方の組み合わせに働き盛りの人たちが遭遇すると、社会における経済的な圧力が高まります。多くの国で寿命は延びていますが、不健康な状態で過ごす時間が増え、仕事を休む時間が増え、子どもの数が減っています。高齢化し生産性が低下した労働力は、年金基金や社会的医療への圧力と相まって、経済的な負担をさらに深刻化させています。英国では、予算責任局が現在、経済全体を支えるために公衆衛生と労働者の生産性を向上させる必要性を強調しています。
同時に、治療法は進歩し続けています。特に、AIの支援を受けた医薬品の発見と開発が進んでいます。しかし、30～50％の医薬品が処方通りに服用されておらず、重大な害と無駄を引き起こしています。6 2型糖尿病のような長期疾患の場合、最適な成果を得るには、食事や身体活動などの補完的な介入が重要です。私たちの生活のリズムに合わせて、最適な食事、運動、睡眠、薬の使用など、より健康的な習慣をサポートする会話型AIやバイオセンサーなどのテクノロジーに対して広範なニーズがあります。
ヘルステック分野は活況を呈していますが、「健康不安層」向けの消費者製品は、社会が必要とする予防医療を提供していません。ヘルスケアウェアラブルだけでも世界市場で2030年までに2,500億ドルに達すると予測されています。7 これらのデバイスとそれらが生成する豊富なデータのほとんどは、医療記録と相互運用できません。8 たとえ相互運用できたとしても、患者と臨床医の間のまれな相談だけでは、病気を予防したり、軽減したりするための日々の選択を変えることはできません。ヘルスケアは、わずかな診察回数から継続的でインパクトのある会話へと焦点を移す必要があり、会話型およびマルチエージェントAIの進歩が熟してきた今が、この移行に最適な時です。
患者中心の「会話型医療」への移行により、さまざまな疾患にわたる医療をより統合し、安全性、有効性、価値を向上させることができます。たとえば、重篤な精神疾患の一般的な薬は、肥満、高血圧、糖尿病、腎臓病、心臓発作、脳卒中を引き起こします。患者は、精神科医、心臓専門医、糖尿病専門医、腎臓専門医、かかりつけ医の診察を受けることができますが、それでもなお、メンタルヘルスや心代謝性の健康に対する日々のサポートがないために、世間一般よりも平均して20年早く亡くなっています。9 同様に、うつ病は糖尿病、慢性肺疾患、慢性腎臓病の患者によく見られ、薬の使用やセルフケアに影響を与えます。長い間無視されてきたデジタルヘルスのイノベーションを「通常の医療」から、より統合された「ヘルスアバター」アプローチに再び焦点を合わせる必要があります。頻繁な患者とのやり取りにより、よりタイムリーで総合的かつ予防的な情報を得られます。10
生成AI（GenAI）と大規模言語モデル（LLM）の最近の進歩により、何千もの言語や方言の音声で対話する会話エージェントが生まれました。これらは、たとえばインドの銀行業界全体で、一般の人々がサービスにアクセスするための標準的なインターフェースとして急速に普及しています。音声による対話は、脆弱な患者が読み書きやタイプ入力を中心に設計されたヘルステックを使用することを妨げることが多い、リテラシーの障壁（一般的、デジタル、ヘルスリテラシーなど）を克服できるため、医療にとって重要な機会です。
これらの障壁を下げることは、医療ニーズの増大、格差の拡大、限定された資源に直面している医療システムに歯止めをかける鍵になります。ヘルスケアAIは、公平性を考慮して設計されるべきです。「読み上げタイプ入力やテキスト入力」から「聞いて話す/音声」のインタラクションへの進化は、アクセシビリティの向上を約束します。一方、マルチエージェントAIは、医療および社会福祉の資源を最も必要とする個人や家族に新しい方法で対象を絞り、サービス提供者間でケアを調整して、より早期に統合された予防的介入を可能にします。
私たちは、新たなAIが学習型医療システムのビジョンを現実に変えることができる転換点にいます。11 私は同僚とともに、リバプール大学のシビック・ヘルス・イノベーション・ラボ（CHIL）で、英国の医療システムおよび業界パートナーと協力し、患者、サービス提供者、全住民の各レベルを結ぶ継続的なフィードバックループを備えた3層の学習システムを構築しています。このモデルにおける劇的な変化をもたらすデータと意思決定は、患者とAIとの日常的な会話から生まれると期待されます。
患者と家族がより良い一時的な医療だけでなく、よりスムーズな医療の道筋を必要とする理由
ルーシーの例を考えてみましょう。55歳のルーシーは、線維筋痛症、2型糖尿病、慢性腎臓病、心的外傷後ストレス障害、慢性疼痛、睡眠障害など、複数の長期的な症状を管理しながら、認知症の夫の世話をしています。彼女自身の健康状態と介護の責任があるため、仕事における能力に制限がかかり、経済的に困難な状態が引き起こされています。彼女は最近、地元の店でのアルバイトの仕事を失くしました。さらに彼女の過激な投薬計画はある意味で役立ちますが、腸の問題、頭のぼんやり、服薬を忘れないかどうかの不安が残ります。
ルーシーが自身の状態を監視し、治療を管理するために使用するアプリやデバイスは、互いに連携していません。彼女は助けを求めてオンラインで検索し、矛盾するアドバイスを見つけます。彼女のエネルギーレベルの変動により、彼女は家に閉じこもりがちになり、精神的健康が悪化し、仕事における能力がさらに制限されます。
ルーシーは特例ではなく、イングランドの15％の人々が2つ以上の慢性疾患を抱えて生活しています。12しかし、彼女は支援がないと感じています。長い待ち時間、断片的なケア、真剣に取り合ってもらえない対応により、彼女は混乱し、声も聞き入れてもらえないままになっています。彼女のかかりつけ医は善意で行動してくれていますが、事務的な業務と専門医とのコミュニケーション不足に悩まされています。何がうまくいっているのか、何がうまくいっていないのかを振り返る時間がほとんどありません。両者とも、聞き、学び、適応するシステムから恩恵を受けられるでしょう。
学習医療システムにおける会話型ケアが秘める可能性
学習医療システムの「Xファクター（未知の要因）」は、患者、サービス提供者、全住民という3つのインタラクションレベルでデータを生成、消費、共有するマルチエージェントフレームワークです。
患者レベルのエージェントはルーシーの薬の管理を支援し、食事内容、運動、睡眠、仕事、社会活動を記録します。ルーシーはAIの「支援者」と対話することを気に入っています。キッチンにあるスマートスピーカーがレーダー探知機のボディマッピング機能によってルーシーを認識し、彼女が一人であることを確認してプライベートに話しかけます。エージェントは、ルーシーが自分の症状を再確認する手伝いをし、助けを求めるべきタイミングを合図し、セルフテストキットの使用を手伝い、薬の服用を通知し、デジタル療法を見つける手伝いをし、相談の準備のために一緒にメモを準備します。
サービス提供者レベルのエージェントは、ルーシーのエージェントと臨床記録からデータを集約し、ルーシーの医療チーム用に症状、臨床観察、テスト結果、治療における主な変化を時系列にまとめて総合的な情報を作成します。リスク計算と管理ガイドラインを重ね合わせて、両方を合わせて意思決定できるようにします。意思決定には、ルーシーの症状と睡眠データによって初めて明らかになった、利益よりも害を及ぼす薬を中止することも含まれる場合があります。
全住民レベルのエージェントは、ルーシーのエージェントと彼女のサービス提供者のエージェントからの個人情報に準拠したデータと連携し、システム管理者がリソースを最適な利益と価値に向けて対象を絞るのを支援します。それは早期の薬剤レビューのきっかけになったり、彼女の配偶者のために地域での認知症支援を示唆したり、新しい疼痛療法の試験を特定したりするかもしれません。より適切に調整されたサポートがあることで、ルーシーは仕事を再開し、社会的なつながりを取り戻し、メンタルヘルス、睡眠、そして健康な状態を改善できます。
これらの3つのレベルにより継続的な学習システムが形成されます。患者は先回りできるようになり、サービス提供者はより適応力が向上でき、医療システムは関連情報を絞り、成果を向上させ、無駄を減らし、研究の証拠を生成して使用する能力が高まります。
ネットワークとして学習医療システムを推進させる方法
理想的には、ある医療システムの進歩は共有されたアルゴリズム、データ、評価、トレーニングを通じて、他の医療システムにも共有して自動化するべきです。このような連合学習ネットワークのエンジニアリングと検証は複雑です。これは、リバプール大学のシビック・ヘルス・イノベーション・ラボ（CHIL）で同僚と私が追求している研究です。11
CHILは、リバプールのデータドリブンなCOVID-19対応から生まれました。リバプール市では、ラテラルフローデバイスを使用して世界初の自主的な集団検査が先駆けて実施され、新型コロナウイルスの重症入院を4分の1に削減しました。13 この成功は、地域の精力的な参加（住民の4人に1人が1か月以内にボランティアとして参加）と漸進的なデータ共有に依存していました。英国でこの種としては初めてのリバプール都市地域市民データ協同組合は、最近、住民と共同でデータとAIに関するコミュニティ憲章を作成し、信頼できるイノベーションを求めています。
メンタルヘルスの疾患増加傾向に対応するため、CHILは英国メンタルヘルスミッションのデモ用サイトwww.MRIC.ukもホストしています。その中には「メンタルヘルスアバター」や学習システムのエンジニアリングも含まれています。子どもの3分の1が貧困の中で生まれ、多くの家族が複数の逆境に直面している都市では、このイノベーションは不可欠なものです。NHSチェシャーとNHSマージーサイドの270万人の保健システム全体において、最も厳しい社会経済的逆境に直面している子どもを持つ世帯の8％が、地域のNHSおよび社会福祉資源の約34％を消費しています。14
CHILは現在、診察の合間に患者から報告されたデータを収集し、その情報データを臨床ワークフローにフィードバックする「会話型ケア」パスウェイを設計しています。たとえば、MRICと連携しているMersey Care NHS Foundation Trustの治療抵抗性うつ病のための新しいクリニックでは、患者は睡眠や日常の経験を記録するアプリを使用しています。次に、AIはこれらのパターンを臨床医のために要約します。サービス提供者レベルでは、自然言語処理と大規模言語モデルがアプリと臨床記録データの両方を分析し、たとえば、特定の治療法が処方された理由や処方されなかった理由、臨床医の自信度、リスクが低いかもしれない代替案を明らかにします。学習とアルゴリズムは、リバプール市がホストする新しい全国メンタルヘルス・セキュア・データ環境の支援を受けて、国立健康医療研究所（NIHR）のメンタルヘルス翻訳研究コラボレーションを通じて全国的に共有されます。
会話型ケアおよび学習システムの世界的なインパクトを最大化する
最終的な目標は、多様な人口、環境、医療の状況から得られた情報分析を通じて予防医療と全住民の健康を推進する、学習型医療システムのグローバルネットワークを構築することです。英国では、データとAIのイニシアチブを地域の医療システムのイノベーションと整合させるために、このビジョンに向けて小さいながらも重要なステップが採用されています。
世界中でデータが緊急性を明確に示しています。平均寿命は伸びている一方で、健康で生産的に働ける年数は減少しています。経済は現在の形では医療を維持できません。
私たちは医療を、医療相談から予防に重点を置いた継続的な会話へと変革しなければなりません。この変革は、発見から実際の治療への転換を加速させるだけではなく、患者、医療サービス提供者、システム管理者、公衆衛生当局者とのやり取りから継続的に学習する動的システムである複数の進化するAIを接続することによって達成されます。このようなシステムを構築することは、技術的な課題であると同時に、文化的および組織的な課題でもあります。
政策立案者と医療システムのリーダーは、多様なニーズに対応するAIシステムを推進することによって、予防のための提唱を強化する必要があります。サービス提供者、政府、テクノロジー企業は、データ共有、ルールづくり、予防的ヘルステックの導入に協力する必要があります。
会話型およびマルチエージェントAI技術は、予防医療を前進させる準備が整っており、そのニーズはかつてないほど高まっています。残っているのは、予防を標準的な慣行にし、データから継続的に学習する医療システムを通じて生活と経済を改善しようとする集団的な意志です。
Facts & Figures、International Diabetes Federation、アクセス日: 9月15日
Global Cardiovascular Disease Factsheet、British Heart Foundation、2025年8月
GBD 2019 Mental Disorders CollaboratorsGlobal, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease StudyThe Lancet Psychiatry 9、137-150 (2019)。DOI: 10.1016/S2215-0366(21)00395-3
Levine, G.N., Cohen, B.E., Commodore-Mensah, Y., et al. Psychological Health, Well-Being, and the Mind-Heart-Body Connection: A Scientific Statement From the American Heart Association.Circulation 10, e763-783 (2021). DOI: 10.1161/CIR.0000000000000947
Skou, S.T., Mair, F.S., Fortin, M., et al. Multimorbidity.Nat Rev Dis Primers. 8, 48 (2022). DOI: 10.1038/s41572-022-00376-4.
Khan, R. and K. Socha-Dietrich, Investing in medication adherence improves health outcomes and health system efficiency: Adherence to medicines for diabetes, hypertension, and hyperlipidaemia.OECD Health Working Papers, No. 105, OECD Publishing, Paris, DOI: 10.1787/8178962c-en
Chandrasekaran, R., Sadiq, T. M., Moustakas, E., Usage Trends and Data Sharing Practices of Healthcare Wearable Devices Among US Adults: Cross-Sectional Study.J Med Internet Res 27, e63879 (2025). DOI: 10.2196/63879
Firth, J., Siddiqi, N., Koyanagi, A., et al. The Lancet Psychiatry Commission: a blueprint for protecting physical health in people with mental illness（ランセット精神医学委員会：精神疾患を持つ人材の身体的健康を守るための青写真）。Lancet Psychiatry 6 675-712 (2019). DOI: 10.1016/S2215-0366(19)30132-4
Buchan I、Winn J、Bishop C. A unified modelling approach to data intensive healthcare. in The fourth paradigm: data-intensive scientific discoveryEds Hey T、Tansley S、Tolle K。Microsoft Research 2009。www.microsoft.com/en-us/research/wp-content/uploads/2016/02/4th_paradigm_book_part2_buchan.pdf
Valabhji J, Barron E, Pratt A, et al.Prevalence of multiple long-term conditions (multimorbidity) in England: a whole population study of over 60 million people.Journal of the Royal Society of Medicine. 117, 104–117 (2024). DOI:10.1177/01410768231206033
Piroddi, R., Astbury, A., Baker, W., et al. Identifying households with children who have complex needs: a segmentation model for integrated care systems.BMC Health Serv.Res. 25、152 (2025)。DOI: 10.1186/s12913-024-12100-x.
お問い合わせはこちら
