OpenAI o1がERトリアージで医師超え——67% vs 55%、でも著者が「使うな」と言う理由
❤️ 0
🔖 0
⚡ 0
ハーバード大学とBeth Israel Deaconess Medical Center（BIDMC）の共同研究が、OpenAIのo1-previewが救急外来の初期トリアージで医師を上回ったと報告した。精度67%対50〜55%という数字だけ切り取れば「AI勝利」の見出しになる。ところが論文の著者陣自身が、この結果を医療AI企業のプロモーションに使われることを公に警戒している——そのねじれが今日最も注目すべき構造を示している。
研究の舞台は救急外来の「初期トリアージ」。来院患者の緊急度を5段階で分類するプロセスで、見落としは直接的に患者の予後に影響する。
BIDMCの実際の症例データを用いた評価で、o1-previewは67%の正答率を記録。ベテラン医師群の50〜55%をおよそ12〜17ポイント上回った。
「論文著者自身が、この結果をAI医療企業の売り文句にされることを強く警戒している」
— X上の研究紹介より（原文ままの趣旨を要約）
2026年5月2日時点で論文プレプリントが流通しており、査読付き掲載前の段階であることにも注意が必要だ。
医療分野でのLLM評価研究は2023年以降に急増し、米国医師国家試験（USMLE）合格水準の突破やGPT-4による診断精度検証など、「AI vs 医師」の構図を前面に出した発表が続いてきた。
しかし臨床現場では「ベンチマーク上の精度」と「実運用での安全性」の間に深い溝がある。トリアージは単なる知識問題ではなく、患者の表情・バイタル・問診のリアルタイム統合判断であり、テキストベースの症例データで評価される精度がそのまま現場に転移するわけではない。
研究者が警戒しているのはこの文脈だ。67%という数字が独り歩きすることで、規制整備が追いつく前に臨床導入の議論が加速するリスクを著者自身が見ている。
今回の評価はテキスト症例データへの分類精度。実際のERでは非言語情報（呼吸状態・皮膚色・意識レベル）が判断の30〜40%を占めるとされており、テキスト精度の高さは必要条件の一部にすぎない。
この数値が低く見えるのは、トリアージが本質的に「分布の端（最重篤・最軽症）を外さないこと」を目指すタスクであるためだ。正答率の絶対値より、見落とし率・過剰評価率の内訳が臨床的に重要になる。o1の誤り分布は現時点で公開情報が限られている。
AI研究者が自ら商業利用に歯止めをかける発言をする事例は珍しい。2024年のStanford画像診断AI論文など、過去に精度論文が単純化されてプロモーションに流用されたケースへの反省が業界内に蓄積しつつあることを示す動きと見られる。
FDA・PMDAともにAI医療機器の承認プロセスは整備途上にある。査読前論文の数字がメディアや企業IRに先行して流通するパターンは、規制当局の判断を「既成事実」で迂回するリスクを内包する。
今回使用されたのは現行のo1シリーズではなくpreview版。OpenAIがo3・o4-miniへと推論モデルを更新し続けている中で、previewの性能がどの位置づけにあるかを明示した上で比較する必要がある。
この論文が注目される本質は、精度数値そのものではなく「研究者が結果の解釈に先回りして介入した」という構造にある。
AI医療研究では長らく、論文→プレスリリース→メディア報道→投資家説明の流れで数字が増幅・単純化されてきた。著者が警告を組み込むのは、その増幅回路に対する内部からのブレーキだ。
一方、67%対55%という差が統計的に有意であれば、それ自体は無視できない事実だ。重要なのは「だから今すぐ臨床導入すべき」でも「だから使い物にならない」でもなく、どの業務フロー・どの監督体制の下で部分的に組み込むかの設計議論に移行することだろう。
日本の救急医療は慢性的な医師不足と重なる。ERトリアージ支援ツールとしての具体的な検討が、2026年内に複数の大学病院で動き始めると見られる。
o1-previewがERトリアージで医師超えを記録した——この事実は動かない。ただし著者自身の警告が示すように、数字の一人歩きこそが今フェーズの最大リスクだ。精度の「外側」——測定されていない変数、誤り分布、規制の空白——を読まずに次の一手を打てば、その判断は67%より低い精度になる。
あなたが「AI医療」に関わる立場なら、今問うべきは「使えるか」ではなく「どこに使うか、どこには使わないか」ではないだろうか。
※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。
まだコメントはありません
