研究のハイライト
- 医師たちは高い批判的エンゲージメントを示し、誤ったAI推奨を成功裏に特定し無視した。これにより、AIは診断判断の代替ではなくツールとして機能することが示された。
- AIシステムは、静脈内投与から経口投与への切り替えを推奨しない場合、特に影響力が高かった。これは、感染症管理における慎重な意思決定とリスク回避を強化した。
- 学術研究では説明可能なAI（XAI）が強調されているが、本研究の医師たちはAI生成の説明を9%しか利用しなかった。詳細な論理よりも迅速な意思決定を優先した。
- 技術的なユーザビリティは高く評価された（システムユーザビリティスケール：72.3）が、行動の慣性と既存の病院インフラストラクチャが実世界での導入の最大の障壁となっている。
背景：抗微生物薬適正使用の臨床的必要性
抗微生物薬耐性（AMR）は、現代医学の基礎を脅かす沈黙のパンデミックである。抗微生物薬適正使用の主要な柱の1つは、静脈内（IV）から経口（PO）への抗菌薬治療の早期移行である。この移行は、病院内感染の削減、医療費の削減、患者の快適性と機動性の向上に不可欠である。しかし、臨床現場では、医師の不確実性、標準化されたモニタリングの不足、経験の差によってIVOSがしばしば遅延する。
人工知能（AI）と臨床意思決定支援システム（CDSS）は、大量の患者データを分析して最適な切り替えタイミングを特定することで、潜在的な解決策を提供する。しかし、AIを実験モデルからベッドサイドツールへと移行することは困難を伴う。感染症分野では、「真の基準」が明確でないことが多く、意思決定は複雑な文化的・行動的要因に影響を受けるため、AIが人間の医師に与える影響を理解することは、アルゴリズム自体の正確さ以上に重要である。
研究デザイン：実践におけるAIの多方法評価
ボルトンらが『ランセット・デジタルヘルス』に発表したこの研究は、AI駆動型CDSSが医師の意思決定に与える影響を評価するために、ランダム化多方法アプローチを採用した。研究には、英国の23の病院から42人の医療専門家（コンサルタントと研修医を含む）が参加し、特に感染症分野の専門家が含まれていた。
三段階のメソドロジー
研究は、AI統合の包括的な観点を捉えるために3つの異なる部分に構造化された。
- 半構造化インタビュー：研究者は、参加者の抗菌薬処方に関する基線経験、AIに対する認識、および病院内の既存の技術環境について探った。
- 臨床シナリオ実験：カスタムウェブアプリケーションを使用して、参加者が12の患者ケースを評価した。参加者は、標準的な臨床情報のみを受け取るSOCグループと、SOCデータに加えてAI推奨と説明を受け取るAI-CDSSグループにランダムに割り当てられた。参加者は、患者を経口薬に切り替えるか、静脈内療法を続けるかを決定する必要があった。
- ユーザビリティと受け入れ度アンケート：実験後、参加者はシステムユーザビリティスケール（SUS）とテクノロジー受容モデル（TAM）アンケートに回答し、ツールの有用性と使いやすさの認識を数値化した。
主要な結果：AIの慎重な影響
結果は、AIヘルスケアにおける「ヒューマン・イン・ザ・ループ」モデルの複雑さを示している。興味深いことに、AIサポートの有無に関わらず、医師がシナリオを完了するのにかかる時間に有意な違いはなかった。これは、AIツールが認知的負担を増加させなかったが、このシミュレーション環境では必ずしも意思決定プロセスを加速しなかったことを示唆している。
意思決定の多様性と影響
最も重要な結果の1つは、AIの影響方向であった。AI CDSSが標準的なケアからの異なる推奨を提供した場合、特に静脈内療法から経口療法への切り替えを推奨しない場合、最も影響力が高かった。統計分析では、AIが推奨した場合、慎重な管理（切り替えなし）への有意なシフトが見られた（ロジスティック回帰オッズ比0.13 [95% CI 0.03-0.50]；p=0.0031）。逆に、医師が躊躇していた複雑なケースでAIが切り替えを推奨した場合、その影響は弱かった。
この「慎重なバイアス」は、医師がより慎重な臨床パスを正当化するための安全網としてAIを利用している可能性があることを示唆している。重要なのは、医師がAIに盲目的に従うのではなく、誤っていると判断した推奨を特定し無視することができ、最終的な意思決定者としての役割を維持していることである。
説明可能性のギャップ
AI研究の分野では、「説明可能なAI」（XAI）が臨床信頼の要件としてしばしば謳われている。しかし、本研究は驚くべき乖離を明らかにした。医師たちはAIの説明にアクセスしたのは9%だけだった。これは、診療所では医師が「何」（推奨事項）と「誰」（システムの証拠基盤への信頼）に興味があり、「どのように」（アルゴリズムの根本的な論理）にはそれほど興味がないことを示唆している。多忙な医師にとって、システム全体の信頼性が個々の特徴の分解よりも価値があるように見える。
専門家のコメント：行動変化の解釈
この研究の結果は、医療技術の重要な側面を強調している：実装科学はデータサイエンスと同じくらい重要である。医師が「切り替えしない」推奨に影響されやすいことから、感染症管理における固有のリスク回避が伺える。不適切な経口療法への切り替えは臨床的再発につながる可能性があるのに対し、24時間を超えて静脈内療法を続けることは、スチュワードシップ目標に影響を与えるものの「より安全な」誤りとみなされることが多い。
さらに、XAI機能との低関与は、AI洞察の提示方法を見直す必要があることを示唆している。医師が説明を読まない場合、システムへの信頼は、単に複雑なビジュアルダッシュボードだけでなく、厳密な透明性のある臨床試験と証拠に基づいた検証を通じて築かれなければならない。医師にとって、「ブラックボックス」が実際の臨床アウトカムで機能することが証明されていれば、それが許容可能である。
研究の制限には、リアルタイムのベッドサイド決定ではなく臨床シナリオの使用があり、これはライブ病院環境の圧力を完全に捉えきれていない可能性がある。また、多くの病院にわたる多様なサンプルサイズでありながら、すべての処方行動を決定的に評価するにはまだ小さい。
結論：統合への道
本研究は、AI駆動型意思決定支援が英国の医療設定において好評であり、技術的には実現可能であることを示している。AIは処方行動に影響を与え、特に臨床的な慎重さを強化することができる。しかし、AIが抗微生物薬適正使用を真に革命化するためには、単純な推奨を超えて、現在の使用を制限している行動的・インフラストラクチャの障壁を解決する必要がある。
今後の研究は、患者アウトカム（在院日数、再入院率、感染症の解消など）を測定する前向きな実世界試験に焦点を当てるべきである。AIが臨床ワークスペースに導入され、その成功は既存のワークフローにシームレスに統合され、一貫した証拠に基づいたパフォーマンスで医師の信頼を獲得できるかどうかにかかっている。
資金源と参考文献
本研究は、英国研究革新センターのヘルスケアAI博士課程プログラムと、帝国理工学院の国立保健研究所（NIHR）ヘルスケア関連感染症と抗微生物薬耐性の健康保護研究ユニットによって資金提供された。
参考文献：
Bolton WJ, Wilson R, Gilchrist M, Georgiou P, Holmes A, Rawson TM. The impact of artificial intelligence-driven decision support on uncertain antimicrobial prescribing: a randomised, multimethod study. Lancet Digit Health. 2025 Nov;7(11):100912. doi: 10.1016/j.landig.2025.100912. Epub 2025 Dec 9. PMID: 41372053.
