AIエージェントを用いた臨床ケアの進歩：医療におけるパフォーマンスと統合の体系的レビュー

研究背景と疾患負担

人工知能（AI）は急速に臨床医学を変革しており、特に人間のようなテキストを理解し生成できる大規模言語モデル（LLM）の使用により進展しています。最近、タスク計画、外部ツールの使用、他のエージェントとの協調、複雑な多段階の臨床ワークフローの実行が可能な高度なシステムであるAIエージェントが、未充足の医療ニーズに対処する革新的なツールとして登場しました。これらのエージェントは、臨床判断の強化、医師の認知負荷の軽減、診断精度の最適化、エビデンス合成の迅速化、治療計画の支援、管理効率の向上を約束しています。医療知識や患者データの増大と複雑さは、静的なモデルを超えて複数のデータストリームとリアルタイムの更新を処理できる知能型システムを必要としています。しかし、AIエージェントが標準のLLMと比較してどの程度のパフォーマンス向上をもたらすか、マルチエージェントフレームワークと単一エージェントフレームワークの比較的な利点、補助的な臨床ツールの効果的な統合により医療タスクを効率的に達成する方法など、重要な知識ギャップが残っています。

研究デザイン

この体系的レビューでは、2022年10月1日から2025年8月5日の間にPubMed、Web of Science、Scopusデータベースに掲載された、臨床設定でAIエージェントの実装を定量的に評価した査読済みの研究を分析しました。対象となった研究には、AIエージェントを臨床および管理の医療タスクに適用し、基本のLLMやその他の基準との明確なパフォーマンス比較を行ったものがあります。2人の独立したレビュアー（A.G.、M.O.）が、使用されたAIアーキテクチャ、精度や臨床アウトカム改善などのパフォーマンス指標、臨床応用、評価データセットに関するデータを系統的に抽出しました。データ抽出中の不一致は、議論を通じて解決され、合意に至らなかった場合は第3のレビュアー（E.K.）に相談しました。含まれた研究は、診断、予後、治療計画、臨床運用、医療教育など、さまざまな臨床ドメインをカバーしていました。

主要な結果

2024年から2025年にかけて主に発表された20件の合格研究が厳格な選択基準を満たし、臨床事例シリーズ（16～302症例）、医療記録と電気生理学報告書（合計419件）、選択肢式の臨床質問（5,120項目）、エビデンス合成クエリ（50～500クエリ）、117人の実際の患者データ、広範な計算シナリオ（10,000以上の計算）、ゲノム/生物学データセット（バイオマーカーパネル、ナノボディ、遺伝子セット、科学論文などを含む）など、多様なデータセットを解析しました。

すべての評価されたAIエージェントフレームワークは、基本のLLMと比較して精度とタスク効率の測定で一貫して優れたパフォーマンスを示しました。臨床応用は特に意思決定支援の役割に焦点を当てており、診断と予後、特に希少疾患の特定が40％の研究を占めました。その他の重要な分野には、エビデンス合成（25%）、治療計画（15%）、予約スケジューリングなどの臨床運用（10%）、ゲノミクス（10%）、医療教育（5%）が含まれています。

3つの主要なAIエージェントアーキテクチャのタイプが浮かび上がりました：単一エージェントツール呼び出しフレームワーク（40%）、ツール統合なしのマルチエージェントシステム（25%）、ツール呼び出し機能を持つハイブリッドマルチエージェントシステム（35%）。これらのエージェントを駆動する主要なLLMはGPT-4ファミリーモデル（75%）で、Llama-3、Claude-3 Opus、Gemini-1.5モデルの補完的な使用がありました。

マルチエージェントシステムに関しては、2つの異なるアプローチが識別されました。ツール強化なしの純粋なマルチエージェントフレームワークは、基本のLLMに対して中位の改善（中央値 +14.05%、四分位範囲 8.95–45.15%）を示しました。ツール呼び出し機能を持つ混合マルチエージェントシステムは、やや高い改善（中央値 +17.17%、四分位範囲 4.12–39.3%）を示しましたが、大きな変動がありました。この高変動は、一部のタスクは単一エージェントまたはより単純なツール強化型LLMで対応可能であったのに対し、他のタスクはより複雑なマルチエージェント調整を必要としたため、おそらくタスクの異質性を反映していると思われます。

マルチエージェント成功の注目すべき例には以下があります：
– Qu et al.のマルチエージェントチームは、微調整されたCRISPR-Llama3モデルを使用して22のゲノム編集タスクを288のベンチマークで完了し、ウェットラボでの遺伝子ノックアウトの検証を行いました。
– Swanson et al.の「仮想ラボ」は、免疫学と機械学習の専門エージェントを特徴とし、抗体開発の実験的検証を可能にしました。
– Wang (2025)は、多剤耐性の肺癌治療計画を行うマルチエージェントオンコロジー治療計画器を展開し、標準のECHO自動計画を上回る +4.75% の性能を示しました。
– Ke et al.のシステムは、複雑な偏りのあるケースで医師を上回る精度（0%から76%）を達成し、臨床判断の偏りを大幅に軽減しました。
– Chen et al.の研究では、希少疾患診断の推論プロセスをマルチエージェントフレームワークで改善しました。

マルチエージェントシステムは、多様な専門知識と詳細な推論ステップの統合を必要とする非常に複雑な臨床ドメインで特に有益であることが示されました。一方、より単純な計算アプローチで対応可能なタスクには、マルチエージェント協調の追加の複雑さが、ツール利用だけでは実質的な利点をもたらさない場合がありました。

エージェントの数とツール統合の分析では、エージェントの数に基づく逆U字型のパフォーマンス曲線が明らかになりました。4～5のエージェントが最適な結果をもたらし、それ以上になるとパフォーマンスが低下しました（β = −8.815, R² = 0.162）。ツールの数はタスクパフォーマンスと弱い正の相関を示しました（β = 8.869, R² = 0.377）が、これらの関係はタスクと研究デザインの異質性によって影響を受けました。

マルチエージェントシステム内のコンセンサスと調整メカニズムは異なりました：監督者主導の調整（36.4%）、順次処理（45.5%）、多数決（9.1%）、独自の手法（9.1%）。これらの戦略は、パフォーマンス改善に異なる貢献をしました。

単一エージェントツール呼び出しフレームワークは、特に薬物投与量や対象のエビデンス取得などの離散的な臨床タスクで、中位の大幅な改善（53ポイント）を達成しました。マルチエージェントシステムは、高複雑度と不確実性の管理に優れており、AIアーキテクチャの複雑さを臨床タスクの複雑さに合わせることが最適な利益のために重要であることを示しました。

専門家のコメント

レビューされた証拠は、AIエージェントが臨床判断と業務ワークフローを強化する変革の可能性を実証していますが、導入のニュアンスも強調しています。マルチエージェントアーキテクチャは複雑なタスクで顕著な利点を示していますが、単一エージェントやツール強化型LLMで十分に対応できる単純なシナリオでは最小限の利点しか見られません。これは、タスク中心の設計選択の重要性を強調しています。

方法論的な考慮事項に注意を払う必要があります：ほとんどの研究は前向きランダム化デザインを欠いており、現実世界での一般化可能性や安全性の評価が制限されています。さらに、いくつかの報告では合成データやシミュレーションデータへの選択的な依存が制約となっています。観察された逆U字効果は、協調のオーバーヘッドや競合する入力により、最適なエージェント数を超えると成果が悪化することを示唆しています。

現在の臨床ガイドラインや専門家の意見は、この分野の新興性を反映して、AIエージェントの具体的な使用に関する特定の推奨をまだ取り入れていません。AIアーキテクチャの透明性、再現性、外部検証の継続的な透明性が重要です。

制限事項

タスクの異質性、変動する研究デザイン、評価指標は、定量的メタアナリシスを妨げました。前向きランダム化比較試験の数が限られているため、臨床効果、安全性、コスト面での証拠の強さが制約されます。複数の研究で合成データセットへの過度の依存は、現実世界のパフォーマンスを過大評価する可能性があります。また、エージェントのコンセンサスとツール統合の最適な方法はまだ標準化されていません。

結論

大規模言語モデルと統合されたAIエージェントは、基本のLLMと比較して、特にシステムの複雑さがタスク要件と一致する場合、臨床タスクのパフォーマンスを明確に向上させます。マルチエージェントシステムは、非常に複雑で多面的な臨床シナリオで最大の可能性を示していますが、単純なタスクは単一エージェントツール強化型モデルで十分に対応できます。

これらの知見は、以前に基本のLLMではアクセスできなかった領域を解錠する、臨床AIアプリケーションのパラダイムシフトを示しています。今後、現実世界の患者データを使用した大規模な前向き多施設臨床試験が不可欠であり、安全性、効果性、スケーラビリティ、費用対効果プロファイルを厳密に評価する必要があります。透明な報告、標準化された評価枠組み、臨床ワークフローに合わせた統合パスが、成功した臨床翻訳にとって不可欠です。

本体系的レビューの主要な資金源は、Icahn School of Medicine at Mount Sinaiの機関リソースであり、Clinical and Translational Science Awards (CTSA) グラント UL1TR004419 と NIH インフラストラクチャ グラント S10OD026880、S10OD030463 を含みます。著者は、資金提供団体とは独立してコンテンツの正確性に対する責任を認めています。

参考文献

1. Gorenshtein A, Omar M, Glicksberg BS, Nadkarni GN, Klang E. AI Agents in Clinical Medicine: A Systematic Review. medRxiv [Preprint]. 2025 Aug 26:2025.08.22.25334232. doi: 10.1101/2025.08.22.25334232. PMID: 40909853; PMCID: PMC12407621.
2. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29.
3. Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in healthcare: The hope, the hype, the promise, the peril. Nat Med. 2022;28(1):34-44.
4. Esteva A, Chou K, Yeung S, et al. Meeting the challenge of rare disease diagnosis with artificial intelligence. NPJ Digit Med. 2023;6(1):22.
5. Darekar A, Nguyen TN, Shimizu K. AI agents and multi-agent systems for clinical applications: A scoping review. J Med Internet Res. 2024;26:e36754.