生成AIが拓く医療DXの進化と壁

by KAKEHASHI

Slide 1

Slide 1 text

©KAKEHASHI inc. AWS 製造 & 医療・製薬シンポジウム 2025 生成AIが拓く医療DXの進化と壁 2025.10.7 株式会社カケハシ鳥越大輔

Slide 2

Slide 2 text

© KAKEHASHI Inc. All Rights Reserved. 鳥越　大輔トリゴエ　ダイスケ Data & AI Domain Head of Engineering 慶應義塾大学院理工学研究科修了後、大手金融機関等を経て、株式会社メルカリにて、Fintech領域の機械学習チームの責任者として、AIによる与信、不正対策、マーケティング、生成AI活用に取り組む。2024年5月に株式会社カケハシへ入社。 2025年3月より現職。趣味はレコード収集、(昨年から始めた)空手自己紹介

Slide 3

Slide 3 text

Slide 4

Slide 4 text

Slide 5

Slide 5 text

Slide 6

Slide 6 text

Slide 7

Slide 7 text

©KAKEHASHI inc. AIアシスタント - 音声薬歴生成 - の紹介 7

Slide 8

Slide 8 text

Slide 9

Slide 9 text

Slide 10

Slide 10 text

Slide 11

Slide 11 text

Slide 12

Slide 12 text

Slide 13

Slide 13 text

Slide 14

Slide 14 text

Slide 15

Slide 15 text

Slide 16

Slide 16 text

Slide 17

Slide 17 text

© KAKEHASHI Inc. All Rights Reserved. ワークフロー構成文字起こしの良し悪し？ -> 一般的にはWERや CER(※)で見るが、薬剤師の良悪の感覚と異なる薬歴生成の良し悪し？ -> そもそも一般的な考え方はない ※ 単語誤り率（Word Error Rate; WER）＝（挿入単語数＋置換単語数＋削除単語数）／正解単語数文字誤り率（Character Error Rate; CER）＝（挿入語数＋置換語数＋削除語数）／正解語数他社モデル

Slide 18

Slide 18 text

© KAKEHASHI Inc. All Rights Reserved. ドメインエキスパート(薬剤師)をチームに入れ、独自の性能品質指標と仕組みを定義(一部抜粋)。 LLM as a judgeと人手評価の組み合わせで評価。対象指標指標の意味備考文字起こし重要語の的中率 (precicion) 書き起こし中の重要語が正解文にも存在している割合重要語の抽出には LLMを使用。 (薬剤師が抽出した重要語 vs LLM抽出の重要語の相関があることを確認済) 重要語の再現率 (recall) 正解の中の重要語が書き起こし文にも存在している割合 SOAP 薬歴生成模範回答に対する優劣薬剤師作成の薬歴に対して同等か優れている割合 LLMにより評価共通定性評価クリティカルな問題発生頻度ドメインエキスパートによる人手評価

Slide 19

Slide 19 text

Slide 20

Slide 20 text

Slide 21

Slide 21 text

Slide 22

Slide 22 text

Slide 23

Slide 23 text

Slide 24

Slide 24 text

Slide 25

Slide 25 text

Slide 26

Slide 26 text

Slide 27

Slide 27 text

Slide 28

Slide 28 text

Slide 29

Slide 29 text

Slide 30

Slide 30 text

Slide 31

Slide 31 text

Slide 32

Slide 32 text

© KAKEHASHI Inc. All Rights Reserved. Dev User Biz ガバナンス部門リスマネ法務事業企画 BizDev CS セールス顧客競合 Domain Expert GoTo Market 事業性ガバナンス、リスク管理適法性、個人情報保護技術品質評価、ドメイン知識競合優位、 PMF 販売戦略 Data Scientist Product Manager デザイナー UX 精度エンジニア