オンコロジー業務に人間の関与は必要か

がん治療の承認業務を人間なしで完結させる：AI エージェントと自己修復システムの実践

がん患者への薬物投与に必要な「前立証承認（Prior Authorizations）」という複雑な業務。これまで、このプロセスには必ず人間の最終確認が不可欠だと考えられてきました。しかし、Trisca 社が開発した新システムは、単なる自動化を超え、「確信度に基づく自律判断」と「自己修復メカニズム」を組み合わせることで、特定の条件下で人間の手を介さずに承認業務を完結させることに成功しました。

これは、AI が医療現場の信頼性を担保しつつ、スケーラビリティを劇的に向上させる可能性を示す重要な事例です。

4 つのエージェントが織りなす自律ワークフロー

Trisca のアプローチは、単一の AI モデルに依存するのではなく、役割分担された 4 つの自律型エージェント（AI エージェント）が連携する構成を採用しています。これにより、複雑な承認プロセスを細分化し、各段階で精度を高めています。

1. EV Agent（資格確認エージェント）: 患者の保険データや残高を確認し、薬物投与の資格があるか否かを判定します。
2. Auth Agent（承認ステータス判定エージェント）: 対象となる薬剤が「承認不要（NAR）」、「すでに承認済み（On File）」、「承認が必要」のいずれに該当するかを分類します。
3. Medical Necessity Agent（臨床的必要性評価エージェント）: 承認が必要なケースにおいて、患者のバイタルや病状に基づき、その薬物が臨床的に必要かどうかを推論する「脳の役割」を果たします。
4. Submission Agent（提出エージェント）: 上記の判断結果を基に、保険会社への提出データを組み立てます。

「最終的な目標は、人間のレビューを経ずに直接提出できる注文を特定し、そのフロー全体を構築することでした。その鍵となる指標が『確信度』です」

単なる抽出を超えた「多角的証拠」による信頼性向上

承認ステータスの判定において、最初に取り組んだのは LLM（大規模言語モデル）を用いた患者メモの抽出でした。しかし、この手法には重大な限界がありました。

まず、患者メモに十分な情報が記載されていないケースがあり、誤認が発生しました。さらに、LLM の出力は確率的（非決定論的）であるため、結果を盲信して自動化することはリスクが高すぎます。このままでは人間のレビューを完全に排除できません。

そこで Trisca が取った決断は、「単一の情報源に依存しない」ことです。確実性を高めるために、複数の異なるデータソースから証拠を集め、照合する仕組みを構築しました。

1. 「すでに承認済み」の判定には過去の記録を活用

薬剤が「すでに承認済み（On File）」であるかどうかを判断する際、単に現在のメモを見るのではなく、過去の承認書（Authorization Letters） を参照します。過去の実績で同じ薬物が承認された記録があり、かつ現在の LLM 抽出結果と一致する場合、その確信度は格段に高まります。

2. 「承認不要」の判定にはルールベースの知識基盤を構築

「承認不要（NAR）」となるケースでは、保険会社ごとの月次ルールや過去のドキュメントから得た情報を蓄積した「ペイヤー・ルール知識基盤」を活用します。これは SQL データベースとして管理されており、LLM による抽出結果と照合することで、特定の薬物が特定の期間中、特定の保険で承認不要となる条件を高精度に特定できます。

複数の情報源が一致するケースのみを「確信度高」として扱い、それ以外は人間へのエスカレーション対象とします。このアプローチにより、承認が必要ない、あるいはすでに承認済みのケースについては、完全に人間の介入なし（No Touch）で処理できるようになりました。

臨床推論と確信度スコアによるハイブリッド戦略

承認が必要なケースでは、単純なルール適用やデータ照合だけでは判断できません。ここでは「Medical Necessity Agent」が活躍します。

このエージェントは、患者のメモ、保険会社のポリシー基準（Policy Criteria）、そして患者のバイオマーカーをグラフ化した患者医療グラフを読み込みます。LLM はこれらの情報を統合し、「なぜその薬が必要なのか」という根拠と矛盾する事実を提示しながら回答を生成します。

重要なのは、このプロセスで「確信度スコア」が付与される点です。AI が十分な根拠を持って判断できる場合はそのまま処理を進めますが、情報不足や確信度が低い場合は、迷わず人間（臨床医）にエスカレーションします。これにより、AI の効率化と医療の安全性を両立させています。

RPA の脆弱性を克服する「自己修復ループ」

外部の保険ポータルや API と連携する際、自動化スクリプト（RPA）は環境の変化によって簡単に壊れてしまいます。これを防ぐため、Trisca は自己修復ループ（Self-healing Loop） を導入しました。

開発プロセスでは、LLM による設定生成技術を活用し、多様な保険ポータルへの対応を迅速に行っています。しかし、本番運用中にスクリプトが破綻した際でも、システム自身が異常を検知し、自動的に修復を試みる仕組みを持っています。これにより、外部システムの脆弱性にも耐えうる安定した自動化を実現しています。

まとめ

Trisca の事例は、医療保険業務における AI 導入のあり方を「単純な自動化」から「確信度に基づく自律判断」へと転換させるパラダイムシフトを示しています。単一のモデルへの依存を避け、多角的な証拠と自己修復機能を組み合わせることで、人間の手を介さずに業務を完結させる道が開かれました。これは医療現場の効率化だけでなく、複雑な外部システム連携を要するエンタープライズ領域における AI 実装の新たな基準となるでしょう。