Carta HealthcareがAIに臨床抽象化担当者のように推論させる方法

**タイトル: Carta HealthcareがAIに臨床アブストラクターのように推論させる方法** 年間22,000件の外科症例を処理する臨床データアブストラクションプラットフォームの内部——そしてコンテキストエンジニアリングを適切に行うことでチームが99%の精度を達成した方法 カテゴリー: エンタープライズAI 製品: Claude Platform 日付: 2026年4月8日 読了時間: 5分 共有: リンクをコピー https://claude.com/blog/carta-healthcare-clinical-abstractor 新シリーズ「スタートアップはClaudeでどう構築するか」では、急成長組織がAIで業界を変革している方法を紹介します。本記事では、Carta Healthcareの臨床データアブストラクションプラットフォーム「Lighthouse」の構築から得られたエンジニアリングの教訓、そして大規模なAI駆動システムを構築する際に、モデル能力と同様にコンテキストエンジニアリングが重要である理由を共有します。 **概要** Carta Healthcare Amazon Bedrock上のClaude 過去3年間で10倍成長、125以上の病院をサポート 臨床レジストリは、共通の診断、処置、または状態を共有する患者に関する標準化されたデータを収集します。病院は結果をベンチマークし、ケアのギャップを特定し、品質改善を推進するためにレジストリにデータを提出します。しかし、レジストリの価値は投入されるデータの質に依存し、そのデータを生成することは見た目よりも困難です。 患者記録をレジストリ対応データに変換することを臨床データアブストラクションと呼びます。訓練を受けたアブストラクターはカルテを読み通し、医師の記録を解釈し、矛盾する文書を調整し、記録が明確でない場合には臨床判断を適用します。通常の症例には60分かかり、複雑な症例では5〜6時間かかることもあります。大規模な医療システムでは、単一のレジストリプログラムだけで年間11,000時間以上の熟練労働が必要になります。 従来の自動化ツールはこのギャップを埋めることができませんでした。ルールベースシステムとNLPは予測可能な文書を処理できますが、臨床言語はめったに予測可能ではありません。同じ所見が、ある病院では構造化フィールドとして現れ、別の病院では自由記述テキストに埋もれている可能性があります。エッジケースが増え、文脈が重要になり、間違えた場合のコストは単なる悪い推奨ではなく、レジストリ全体を損なう欠陥のある品質データです。 このギャップこそ、臨床データ管理ソリューションであるCarta Healthcareが大規模に埋めるためにソフトウェアを構築したものです。彼らのプラットフォーム「Lighthouse」は、訓練を受けたアブストラクターと同じ方法で臨床文書を推論するためにClaudeを使用します。 この過程で彼らが発見したことは、彼らのアプローチを再形成し、AIをパイロットから本番環境に移行させようとするあらゆるチームに青写真を提供しました。 **ルールベース抽出から臨床推論へ** レジストリアブストラクターが答える質問は、データベース内の単純な検索ではありません。 例えば、「処置前の最新の血糖値は何でしたか？」という質問に答えるには、正確な処置開始時刻を知り、それに先行する検査値を特定する必要があります。「退院時にアスピリンが処方されましたか？」という質問には、患者が自宅に持ち帰るために処方された薬剤と、入院中に投与された薬剤を区別する必要があります。 明白なアプローチは、これらの判断をルールで自動化することです。臨床医が特定の所見をどのように文書化するかをマッピングし、それらのパターンに基づいて抽出ロジックを構築し、そこから拡大します。しかし、臨床文書はこのアプローチが機能するほど一貫していません。同じ臨床所見が、ある病院では構造化フィールドとして、別の病院では臨床記録の自由記述テキストとして文書化されます。 Carta Healthcareの初期システムは、レジストリデータを自動抽出するために自然言語処理（NLP）を使用していました。パターン認識は、臨床判断を再現できないことが判明しました。 「Carta Healthcareが数年前にNLPで始めたのはまさにそこであり、LLMに移行した理由もそこにあります」と、Carta Healthcareの応用AIアプリケーションマネージャーであるハンナ・グラーザーは言います。推論を正しく行うことは極めて重要です。なぜなら、3人のアブストラクターが同じ心臓症例をレビューし、異なるが正当化可能な答えに到達することがあるからです。医師の記録は一方を指し、画像検査は別のものを示します。正しい答えは両方を考慮する必要があり、それはルールで解決できる問題ではありません。 「AIシステムが理解する必要があるのは、訓練を受けた臨床アブストラクターが理解するもの、つまり文脈の中で臨床言語を読み解き、文書間で矛盾する証拠を考慮し、特定の処置日に対して時間的論理を適用し、曖昧さを処理する方法です」とグラーザーは言います。「体重が処置後に評価された場合、熟練したアブストラクターはそれが処置前体重としてカウントされないことを知っており、システムもそれを知る必要があります。」 Carta HealthcareはClaudeに落ち着く前にいくつかのモデルを評価しました。 「私たちが評価した他のモデルは、臨床文書を理解し解釈する同じ能力を示しませんでした」とグラーザーは言います。 PrevPrev0/5NextNexteBook医療・生命科学のためのエンタープライズAI変革ガイド AnthropicのHCLS顧客からの実証済み戦略であなたのエンタープライズAI変革を加速しましょう。 **適切なコンテキストを構築する** Lighthouseが抽出するすべてのデータポイントは、正しく答えるために異なるソース文書、異なる時間枠、異なる量のコンテキストを必要とします。 これがコンテキストエンジニアリングの核心的な課題です。AIエージェントのパフォーマンスは、モデルだけで決まるのではありません。モデルに与えられるものによって決まります。不完全で順序付けられていない、または範囲が不適切な情報が与えられれば、世界最高のプロンプトでも性能が低下します。コンテキストを適切にすること——何を含め、何を除外し、どの順序で提示するか——が、プロトタイプと本番システムを分けるエンジニアリング作業です。 処置前体重を例にとりましょう。要件は「記録内の体重を見つける」ことではありません。「特定の処置開始時刻前に文書化された体重を見つける」ことです。最新の体重が手術の2日後に記録されているかもしれません。その値は無効です。 Carta Healthcareのシステムは、ランタイムに患者固有のコンテキストを組み込むため、Claudeは各質問に対して正確な時間境界を持ちます。処置前血糖値のプロンプトは処置開始時刻を指定し、その時点前の最新の血糖値を求めます。この特異性がなければ、強力なモデルでも不完全な情報から作業することになり、訓練を受けたアブストラクターならすぐに気づくでしょう。「私たちが解決した最も難しい問題は、完璧なプロンプトを構築することではなく、コンテキスト構築に関するものでした」と、Carta Healthcareのソフトウェアエンジニアリングマネージャーであるマシュー・マッツァンティは言います。Carta Healthcareチームにとって、困難な作業は、ランタイムに適切な情報——適切な文書、適切な時間枠、適切な優先順位——を組み立てるパイプラインを構築することでした。「適切なタイミングで適切なデータを統合、整理、提示することが本当の仕事です。悪いコンテキストで完璧に書かれたプロンプトは悪い答えを出します。適切なコンテキストを持つ単純なプロンプトが必要な結果を提供します」とマッツァンティは言います。 同じ立場にあるチームへのグラーザーのアドバイスは？まず、モデルに推論に必要なものを与えているか、それとも利用可能なものから理解させるように求めているかを問いかけることから始めてください。 「何かが性能不足の場合、特定のプロンプト、コンテキストの問題、または検索ギャップに遡って特定できます。集計スコアを見つめて何が悪かったのか悩むのではなく」とマッツァンティは言います。「評価フレームワークを早期に構築し、詳細にし、変数を分離するように設計してください。これをスキップすると、構築よりもデバッグに多くの時間を費やすことになります。」 ある大規模医療システムでは、Lighthouseは14の病院で年間22,000件以上の外科症例を処理し、評価者間信頼性が98〜99%に達しました。これはアブストラクション精度の業界標準指標です。 **臨床専門知識をループに組み込む** コンテキスト構築が確固たるものになれば、臨床文書を最もよく理解する人々がシステムの動作を形成し始めることができます。 アブストラクターとの信頼構築は透明性に帰着しました。Lighthouseはブラックボックスではありません。抽出するすべてのデータポイントについて、アブストラクターは裏付けとなる証拠とClaudeの理論的根拠を見ることができます。彼らは出力を受け入れるのではなく、所見を検証し、臨床判断を行使できます。 そこから、プロンプティングは臨床専門知識が直接Claudeの推論方法を形成するメカニズムになります。アブストラクターが特定のレジストリデータポイントが正しく抽出されていないことを発見したとき、その理由——エッジケース、文書パターン、プロンプトが欠落しているもの——の説明が、Claudeがそのフィールドを処理する方法への直接的な入力になります。 コンテキストエンジニアリングを早期に優先することで、Carta Healthcareはその説明を修正されたプロンプトに変換し、同じ日にリリースします。 「私たちの臨床アブストラクターは、特定のデータポイントが実際にどのように機能するかについての長い説明を定期的に手渡してくれます」とグラーザーは言います。「それをデータサイエンスモデルやカスタムコードに変換するのに数週間を費やす代わりに、そのフィードバックを直接プロンプトに使用します。かつてはレジストリごとに数か月のエンジニアリングと品質保証（QA）を要していたものが、今では1週間でリリースできます。」 Carta Healthcareのアブストラクターの一人が言ったように：「Lighthouseは私の判断を置き換えるものではありません。それを強化するものです。」 詳細については、Carta Healthcareの完全なストーリーをお読みください。 Claudeで構築するチームのための製品ニュースとベストプラクティスをさらに探求しましょう。 **1MコンテキストがOpus 4.6とSonnet 4.6で一般提供開始** 製品発表 2026年3月11日 **Claude for ExcelとPowerPointの進化** エンタープライズAI 2026年2月24日 **金融向けコワークとプラグイン** エンタープライズAI 2026年2月24日 **企業全体のチーム向けのコワークとプラグイン** エージェント **Claudeで組織の運営方法を変革** **開発者向けニュースレターを購読** 製品アップデート、ハウツーガイド、コミュニティスポットライトなど。毎月メールでお届けします。 購読する 月次の開発者向けニュースレターの配信をご希望の場合は、メールアドレスをご提供ください。いつでも購読を解除できます。

Carta HealthcareがAIに臨床抽象化担当者のように推論させる方法

背景や根拠まで確認しますか？

このニュースを、実務の判断につなげる

関連記事

調べる

選ぶ

サイト