Carta Healthcare が Claude で臨床データ処理時間を66% 短縮

Carta Healthcare は、Stanford Children's Hospital でのシンプルな不満から始まりました。遅くて手作業に依存したデータ収集が、有意義な進歩を妨げていたのです。その課題が、AI と臨床の専門知識を組み合わせて臨床データ抽出をより速く、より高品質に、より低コストにするという新しいアイデアを生み出しました。Carta はこれを「ハイブリッドインテリジェンス」と呼んでいます。

Claude により、Carta Healthcare は以下を実現しました。

• データ品質を向上させながら臨床データ抽出時間を最大66% 短縮
• 以前は自動化が不可能だった臨床的に複雑な質問の処理を可能に
• データ品質の業界標準であるレーター間信頼性（IRR）スコアで98～99% を達成
• 臨床医を手作業のデータ探索者から、データの高付加価値バリデーターおよびヘルスケア改善の推進者に変革

課題

毎日、病院は膨大な量の臨床記録を生成しています。医師のメモ、検査結果、投薬記録、手術報告書などです。これらの記録の中に、臨床レジストリが必要とする重要な質問への回答が埋もれています。例えば、この外科患者は30日以内に感染症を発症したか？入院時の BMI はいくつだったか？切開前の適切なタイミングで抗生物質が投与されたか？Door-to-balloon 時間はどれくらいだったか？などです。

これらの回答を抽出する作業は「臨床データ抽出」と呼ばれ、骨の折れる作業です。訓練されたアブストラクターは、1件あたり平均1時間をかけて臨床メモや記録を手作業で精査し、電子カルテに埋もれた特定の詳細を探し出します。複雑なケースでは、その時間は5～6時間に及ぶこともあります。一つの医療システムで年間22,000件以上の外科症例を抽出する必要があり、年間11,000時間以上の労力を費やしています。

しかし、課題は量だけではありません。臨床記録は乱雑で一貫性がなく、多くの場合、複数のシステムやフォーマットに散在しています。同じ病院内でも、レジストリの質問に対する「正解」には、解釈、矛盾するメモの照合、臨床的な意図の深い理解が必要になる場合があります。この複雑さが、従来の自動化の試みが不十分になりがちな理由であり、純粋に手作業のワークフローが高コストで維持困難なままである理由です。

「病院情報システムは非常に複雑で、病院内の従来のデータ抽出・統合ワークフローは非常に脆弱で、システムごとに大きく異なり、電子カルテがアップグレードされると壊れることが多いです」と、Carta Healthcare のエンジニアリング担当バイスプレジデント兼 CISO である Andrew Crowder 氏は述べています。「これらの不整合から隔離され、脆弱なサイト固有のプロセスに縛られることなく価値を提供できるアプローチが必要でした。」

Claude を選択

Carta Healthcare のモデル選定において決め手となったのはセキュリティでした。保護対象医療情報を含む機密性の高い医療情報を扱うには、厳格なデータプライバシー管理が必要です。Claude が Amazon Bedrock で利用可能であることは、顧客データがモデルトレーニングに使用されないというデータプライバシー保護と保証をもって、Carta Healthcare に必要な信頼を提供しました。

「Amazon Bedrock では他のモデルも利用可能でしたが、Anthropic のモデルで見つけた推論と理解の能力を示すモデルは他にありませんでした」と Crowder 氏は述べています。「さらに、バイアスとモデルアラインメントに関する公開研究により、厳格な病院の AI レビューを通過することができました。」

セキュリティインフラ、推論能力、モデルアラインメントに関する文書化された研究の組み合わせにより、Carta Healthcare は患者データを扱うあらゆるシステムの前提条件である、病院の IT および AI レビュー委員会の高い基準をクリアすることができました。

臨床グレードの AI システムの構築

Claude は Carta Healthcare の Lighthouse プラットフォームを駆動し、臨床レジストリ抽出の AI エンジンとして機能しています。Claude は構造化データと非構造化医療データの両方を意味的に解釈し、臨床コンテキストを理解して回答を策定し、根拠を提供し、医療記録から直接引用を提示します。このシステムは、手作業のレビューでは見落としやすいエビデンスを発見できます。例えば、カルテの奥深くに埋もれた記録や、数年前の受診に由来する記録などです。

Carta Healthcare は2段階の抽出パイプラインを実装しました。第1段階では、Claude Haiku 3.5 と Sonnet 4 が医療記録から関連情報を抽出し、構造化データと非構造化臨床メモの両方を処理しました。第2段階では、Claude Sonnet がすべての抽出されたエビデンスを統合してレジストリの質問に対する推奨回答を策定し、エビデンスのスコアリングとランキングを行いました。このアプローチにより精度が向上し、アブストラクターの検証負担が軽減されました。アブストラクターは今や、情報を探すのではなく、結果を検証する立場になりました。

システムは Claude の自然言語理解能力を中心に構築されているため、臨床の専門家が直接改善できます。アブストラクターが問題に気づいた場合、チームはコードを書き直すのではなくプロンプトを調整します。その変更は同日中に本番環境でテストできます。これにより、臨床のニュアンスを理解する人々がシステムの動作を制御し続けることができます。

成果

14の病院で年間22,000件以上の外科症例を抽出する大規模医療システムでは、成果は即座に表れました。1件あたりの処理時間はルーティンケースで30分から15～22分に短縮されました。以前はアブストラクターの1日のうち5～6時間を費やしていた複雑なケースでは、90分に短縮されました。年間の時間削減は3,667～6,050時間に達し、レーター間信頼性は一貫して99% を維持しています。

ある大規模な多施設医療システムでは、NSQIP 症例の手動抽出が常に負担となっていました。14の病院で年間22,000件以上の症例があり、各症例の抽出に約30分かかるため、作業量は膨大で、年間11,000時間以上の労力を要していました。プロセスは遅く、高コストで、人的エラーが起きやすいものでした。Carta Healthcare の Lighthouse プラットフォームを使用する前、ある経験豊富なアブストラクターは AI にかなり懐疑的でした。彼女は経験豊富で臨床的に鋭く、AI が期待に応えられないのではないかと心配していました。

しかし、彼女は可能性を見出しました。Carta Healthcare のプロダクトチームと面談し、詳細なフィードバックを共有し、エンジニアリングと緊密に連携してプラットフォームを改善しました。彼女の臨床的専門知識は不可欠でした。何かがおかしいときに見抜く力があり、彼女のインプットが Lighthouse を信頼できるツールに形作る手助けとなりました。

今日、彼女は Lighthouse を完全に信頼しています。複雑なケースでは、セカンドオピニオンとしても使用し、発生状況を二重チェックし、術後の投薬など見落としがちな微妙な詳細も検出しています。彼女の言葉を借りれば、「Lighthouse は私の判断に取って代わるのではなく、それを強化してくれます。」影響は劇的でした。

コア LLM として Claude を選択したことで、Carta Healthcare のビジネスモデルは根本的に変わりました。非構造化臨床データの抽出という認知的な作業を自動化することで、Claude と Lighthouse は同社の臨床医を「手作業のデータ探索者から高付加価値のバリデーターに」変革したと Crowder 氏は説明しています。Carta Healthcare は顧客維持率100% を報告しており、顧客の90% が時間の経過とともにエンゲージメントを拡大しています。

今後、Carta Healthcare は複数の処置を含むケースなど、より複雑なレジストリシナリオに対応するために AI 能力を拡大する予定です。「Anthropic のモデルの使用を拡大できることを楽しみにしています」と Crowder 氏は述べています。「Claude で新しい可能性を探求しながら、技術的な関係を拡大することも楽しみにしています。」