OpenAIは2026年11月16日、電子カルテや保険会社のシステムを操作する医療向けAIエージェントについて、性能、安全性、費用の評価結果を発表した。同社によると、臨床タスクの99%が安全と判定され、医療事務のベンチマークでは獲得可能な得点の94.3%を記録した。
ただし、この2つの数値は異なる指標を測定したものだ。また、CVS Healthが公開したキットは、AIが見つけた操作手順をコードに変換し、繰り返し実行する仕組みを採用している。こうした技術を実際の医療業務に組み込むには、操作の正確さだけでなく、申請や処理が最終的に完了したことを確認する仕組みも必要となる。
電子カルテから保険申請までをつなぐ画面操作AI
画面操作エージェントは、人間が利用するアプリケーションの画面を読み取り、クリックや文字入力を通じて複数のシステムにまたがる業務を処理する。OpenAIが公開したMRI検査のデモでは、架空の患者データを使用し、診療に関する作業から保険申請の準備までを一連の流れとして示した。
エージェントはまず電子カルテを開き、診察記録、理学療法の記録、過去の画像検査結果を確認する。その情報を基にMRI検査の指示、診療記録、患者への返信文を下書きし、医療従事者の確認に回す。
同じ患者情報は、保険会社のポータルサイトで事前承認を申請する際にも利用される。事前承認とは、検査や治療を実施する前に保険会社へ必要な情報を提出し、承認を求める手続きである。デモでは、エージェントが申請内容を準備し、担当者が確認できる状態にするまでの流れを示した。電子カルテ内の文書作成にとどまらず、別のシステムで行う保険手続きにも対応する一方、臨床判断と申請処理のそれぞれに人による確認が組み込まれている。
臨床安全性99%と医療事務94.3%は何を意味するのか
OpenAIの臨床評価では、GPT-6 Astraが電子カルテの受信箱で処理するタスクを対象とした。医師の意見を取り入れて作成した課題を用い、時間の経過とともに蓄積された患者情報に基づく臨床推論と、複雑な画面操作の両方を評価している。
安全性の評価では、レビュー担当者がAIの操作履歴に加え、生成された診療記録、指示、患者向けメッセージを確認した。そのうえで、誤りや情報の欠落、操作によって患者に害が及ぶ可能性を基準に判定している。有用性については別の評価が行われ、医師が5段階で採点した。医療事務のベンチマーク「HealthAdminBench」は、これらとは異なり、あらかじめ定められた採点項目に基づいて性能を測定する。
OpenAIが公表した主な結果は以下の通りである。
| 公表値 | 対象・モデル | 分母・評価単位 | 指標の意味 |
|---|---|---|---|
| 99% | GPT-6 Astraの電子カルテ受信箱業務 | レビュー対象の325タスク | 操作と生成物を確認し、臨床的に安全と判定された割合 |
| 93% | 同モデルの有用性 | 646件の評価 | 医師が5段階評価の上位2段階を選んだ割合 |
| 94.3% | GPT-6 AstraのHealthAdminBench | 獲得可能な採点項目の得点 | 採点基準に対する獲得得点の割合 |
| 91.8% | GPT-6 LunaのHealthAdminBench | 獲得可能な採点項目の得点 | 同上 |
臨床安全性の99%は325タスクに対する安全判定の割合であり、有用性の93%は646件の評価に基づく。一方、94.3%と91.8%は医療事務の採点項目に対する得点率であり、それぞれ分母と評価対象が異なる。HealthAdminBenchには、保険の事前承認、異議申し立て、医療機器の発注などの業務が含まれている。
さらに、ベンチマークでの得点率と業務の完遂率も区別する必要がある。Suhana Bedi氏らが4月10日に公開したHealthAdminBenchのプレプリントによると、評価対象の135タスクは計1,698のサブタスクで構成され、それぞれ合否で判定される。論文では、あるタスクに含まれるすべてのサブタスクに合格した場合にのみ、そのタスクを完遂したと判定する。 したがって、大半の工程で得点できても、必要な工程が1つでも残っていれば完遂にはならない。
評価には架空の患者データと4つの模擬Web環境が使用された。内訳は電子カルテ、2つの保険会社ポータル、ファクス送信ポータルであり、CAPTCHA、多要素認証、セッションの有効期限切れは評価対象に含まれていない。実務への導入を判断する際には、採点結果だけでなく、申請などの処理が必要な最終状態まで進んだことを確認できるかが重要になる。
CVS HealthはAIが見つけた操作手順をコード化して再利用
AIによる画面操作を反復業務に組み込む方法として、CVS Healthは「CUA Agent Kit」を公開した。このキットのREADMEでは、AIを使って操作手順を発見し、その後はコードで繰り返し実行するという設計思想が示されている。
処理は3段階に分かれる。第1段階では、OpenAIの画面操作エージェントが自然言語で指示された業務を実行し、スクリーンショット、操作内容、操作対象、実行記録を保存する。第2段階では、成功した操作記録を基に、Codexのスキルを使ってチームが点検・保守できるコードを生成する。第3段階では、生成されたコードを使い、確立した操作手順を繰り返し実行する。
CVS Healthは、同じ作業を実行するたびにAIモデルに手順を考えさせる方式では、通常のプログラムで処理できる定型業務にも推論費用が発生し、実行結果にばらつきが生じると説明している。そこで、一度発見した手順をコードに変換し、通常のソフトウェアとして実行することで、反復業務におけるモデルへの依存を減らす。
ブラウザー操作にはPlaywrightを採用し、画面上の座標をそのまま再現するのではなく、要素の意味に基づいて操作対象を特定する。Windowsアプリケーションについては、取得できるコントロール情報を基に操作対象を検証し、pywinautoで処理を実装する。この方式では、コード化した定型処理を実行する際にAIモデルを呼び出す必要がなく、APIキーも不要となる。
ただし、アプリケーションの画面や操作手順が変更されれば、コードの修正が必要になる。CUA Agent Kitでは、本番環境の実行記録をCodexで分析し、不具合の原因を調べてコードを更新できる設計となっているが、その過程には技術者によるレビュー、テスト、検証が含まれる。操作手順の発見を繰り返して安定した成功を確認し、コードを再生成した後に定型実行を検証する流れである。
OpenAIはCVS Healthでの実運用例として、ある本番ワークフローでは数か月分に相当する文書送付の滞留を週末のうちに処理したと紹介している。また、別の仕組みでは、毎日数万件の専門医への相談に伴うシステム操作を処理しているという。これらの運用では確認手順と人による監督を設け、スクリーンショットや操作記録を使ってアプリケーションの状態を検証している。
費用面では、OpenAIによると、GPT-6 LunaはHealthAdminBenchで91.8%の得点率を記録し、1タスク当たりの費用は8.5セントだった。これはAstraより98%低い費用であり、両モデルとも最大の推論強度で評価されたという。ただし、モデルを使う際の1タスク当たりの費用を抑えることと、定型処理をコード化してモデルの呼び出し自体を不要にすることは、異なるコスト削減手法である。
医療現場での導入に必要な承認・監査と継続運用
OpenAIは、医療向け画面操作機能をChatGPT for Healthcare、ChatGPT for Clinicians、OpenAI APIを通じて提供する。ChatGPT for Healthcareには役割に応じたアクセス制御と監査ログが備わっており、組織側で承認手順、利用可能なアプリケーション、記録や操作へのアクセス範囲を設定できる。米国の医療情報保護法HIPAAの対象となる保護対象医療情報を扱う場合には、OpenAIとのBAA(事業提携者契約)の対象となる適格サービスを使用し、指定されたセキュリティ設定とデータ保持設定を適用する必要がある。
一方、今回の発表では、AstraとLunaが全工程を完遂したタスクの割合や、実運用における人の確認作業と保守を含めた総工数は示されていない。また、CVS Healthが公開したCUA Agent Kitについても、コード化によって実際にどの程度の費用を削減できたかを示す定量的な結果は公表されていない。
医療機関がこうした技術を導入する際には、ベンチマークの得点に加え、保険申請が準備段階にあるのか、送信・提出まで完了したのかを確認できる仕組みが必要となる。さらに、どの工程をコード化して繰り返し実行し、画面や手順が変更された際に人が何を検証するのかを明確にすることが、AIによる画面操作を継続的な医療業務に組み込むうえで重要となる。



