医療向け AI を構築した Abridge の取り組み

医療 AI の壁を破る：Abridge が「信頼」と「開発速度」を両立させた実装戦略

医師不足とバーンアウトが深刻化する現代の医療現場において、AI は単なる効率化ツールではなく、患者の生命に関わるインフラへと進化しています。米国の臨床知能プラットフォーム企業 Abridge は、HIPAA 遵守や患者安全という極めて高いハードルの中で、LangChain の「LangGraph」と「LangSmith」を基盤とした評価インフラを整備することで、品質を犠牲にせず迅速な開発を実現しました。

本記事では、医療という失敗が許されない業界で AI エージェントを構築・運用する上で不可欠な、「信頼の獲得」と「開発速度」を両立させるための具体的な手法と、Abridge が採用した評価フレームワークを紹介します。

医療 AI が直面する「高リスク環境」の現実

Abridge の製品が扱うのは、医師と患者の会話から生成される臨床記録です。これは単なる議事録ではなく、診療報酬の根拠となり、患者の生涯にわたる病歴の一部となる極めて重要なデータです。

「信頼は滴のようにして得られ、バケツのようにして失われる」

Abridge の製品責任者である Janie 氏は、医療 AI 開発における最大の障壁をこのように表現します。誤った診断や投薬情報の記録は、患者の生命に関わるリスク（Patient Safety）に直結し、法的な問題や保険請求の不正（Upcoding/Downcoding）にもつながります。さらに、企業顧客である医療機関が Abridge のような AI 導入を検討する際、機能よりもセキュリティと信頼性を最優先条件としています。

この環境下では、「開発速度を犠牲にして品質を高める」ことは許されません。逆に「品質を担保した上でいかに速くリリースするか」という課題に直面します。Abridge は現在、米国最大の医療機関 250 施設（メイヨー・クリニックやジョンズ・ホプキンス大学など）で利用されており、年間 1 億件以上の会話を処理するプラットフォームとして、この難題への解決策を模索し続けています。

LangGraph と LangSmith で再構築した開発インフラ

Abridge が直面していたのは、従来の開発プロセスの非効率さでした。リリースには通常 1〜2 か月を要し、データセット、注釈（アノテーション）、トレーシング、評価ツールがバラバラで連携していなかったためです。

この課題解決のために Abridge が導入したのが、LangChain のエコシステムであるLangGraphとLangSmithです。

• LangGraph の採用: 独自開発のツール群を移行し、データセット管理からアノテーション、トレーシング、評価までを一つの統合された環境で行えるようにしました。これにより、複雑なワークフローの可視化と制御が可能になりました。
• 自己ホストによるセキュリティ確保: エンタープライズ要件として、LangSmith を自社のサーバーで自己ホスト（Self-host）することで、機密情報（PHI: 患者個人情報）の流出リスクを排除しつつ、厳格なアクセス制御と監査ログを維持しています。
• 評価の一元化: デバッグからモデルリリース全体の性能監視まで、LangSmith の UI を活用して一貫した視点で管理できるようになりました。

このインフラ移行により、Abridge は開発サイクルを劇的に短縮し、セキュリティ要件を満たしながらも迅速なイテレーションを実現しています。

APO フレームワークによる評価の自動化と質保証

AI モデルの開発において最も時間がかかるのは、プロンプト調整や評価基準（Judge）の作成です。従来は、専門家の医師が注釈ガイドを作成し、データをラベル付けした上で、人間が手動でプロンプトを調整して「自動評価者」を作っていました。

Abridge はこのプロセスをAPO（Automatic Prompt Optimization）フレームワークへ移行しました。

「注釈ガイドとラベル付きデータを入力として与えるだけで、校正された Judge（評価者）が自動的に生成されるようになった。」

これにより、評価サイクルは劇的に短縮されました。しかし、Abridge は自動化を盲目的に信じるわけではありません。データの質こそが全ての基礎であるとし、以下の対策を講じています。

1. アノテーションの整合性確認: LLM が生成した Judge の判断と、人間のアノテーターの判断が一致しているかを常時監視します。
2. 自由記述によるデバッグ: アノテーターに「なぜそのラベルをつけたのか」という自由記述を求めます。これが空欄の場合や矛盾がある場合は、アノテーションの質に問題があると判断し、再教育を行います。
3. 専門性の明確化: 評価に必要な専門家レベル（例：認定医師、特定分野のスペシャリスト）を事前に明確にし、適切なリソースを割り当てています。

ハイブリッド評価手法で「信頼」を担保する

Abridge が最終的に採用したのが、「参照なし Judge」と「参照あり Judge」を組み合わせたハイブリッド評価アプローチです。この二つの手法が補完し合うことで、高い精度と信頼性を確保しています。

• 参照なし Judge（Reference-free）: 正解となる基準データ（Gold Standard）を必要とせず、会話内容と生成された記録だけを分析してスコアリングします。これにより、すべての症例に対してオンラインでリアルタイムに品質を監視することが可能になります。
• *課題*: 症例特有のニュアンスや主観的な判断には限界があります。
• 参照あり Judge（Reference-based）: 特定の診療科レベルの専門知識を持つ「正解データ」を用いて評価します。これにより、複雑な医療的判断や細部まで正確に検証できます。
• *役割*: オンライン監視でカバーしきれない部分や、高リスクの判断をオフラインで厳密に検証するために使用されます。

この組み合わせにより、Abridge は「常に品質を監視しつつ」、専門的な文脈でも「高い精度」を保つシステムを構築しました。

信頼に基づくアジャイルなリリース戦略

最終的に、Abridge が開発速度を劇的に向上させた鍵は、「信頼関係に基づいた A/B テスト」の実施です。医療業界では通常、新機能の導入には厳重な承認プロセスが必要ですが、Abridge は顧客との深い信頼関係を築き上げました。

「我々の upstream（前工程）での取り組みを信頼し、無言のリリース（Silent Release）に同意してくれるパートナーがいる。」

一部の顧客からは、10〜15% のユーザーに対して新モデルを silently（静かに）展開する許可を得ています。これにより、医師が記録を編集した頻度や、付与された評価など、即座にフィードバック信号を取得できます。

• 従来のプロセス: リリースまでに 1〜2 か月
• 現在のプロセス: 数日

オフラインでの厳密な検証（Backtesting）と、オンラインでのリアルタイム監視、そして信頼できる顧客による A/B テスト。この三段構えにより、Abridge は「品質を担保したまま」のスピードでモデルを更新し続けています。

まとめ

Abridge の事例は、医療のような高リスク・高規制業界において、AI エージェントを成功させるための重要な指針を示しています。「信頼」と「速度」はトレードオフの関係にあるのではなく、堅牢な評価インフラ（Evals）とデータベースの信頼構築によって両立可能なのです。LangChain を活用した具体的なアーキテクチャと運用プロセスは、医療に限らず、他のエンタープライズ領域における AI 実装のベストプラクティスとしても即座に適用できる価値を持つでしょう。