Elsevier、看護師向け臨床AIを世界展開――処置や退院支援の疑問に根拠付きで回答
Elsevierは2026年9月29日、看護師の臨床業務に特化した「ClinicalKey Nursing AI」の世界展開を発表しました。
処置、薬剤、患者評価、退院支援などの疑問を自然言語で入力すると、看護学の書籍や学術誌、ガイドラインなどを根拠に回答する生成AI型の臨床支援ツールです。
回答には引用元と原文へのリンクが付き、根拠を確認できます。
処置については、同社の「Clinical Skills」に基づく段階的な手順を提示し、追加質問にも対応します。
Webベースでモバイルにも対応し、看護師が患者のそばで必要な情報を確認する使い方を想定しています。
特徴は、回答を看護師の業務・専門範囲に合わせて設計していることです。
観察、看護介入、モニタリング、処置など、看護実務で必要な情報を中心に扱います。
専門コンテンツを参照する仕組みに加え、臨床家による継続的なレビューも実施するとしています。
同社が登録看護師を対象に行ったパイロット調査では、9割超が臨床判断への自信の向上と業務への適合を報告し、約4分の3が時間短縮につながったと回答しました。
ただし、利用者の主観的評価であり、患者の転帰改善や安全性を独立した臨床研究で実証した結果とは区別が必要です。
医療AIの導入では、情報の正確性に加え、「その職種が何を判断し、どこまで実行するか」との整合が重要です。
今回の製品は、職種ごとの業務にAIを合わせる方向性を示しています。
引用がある場合も、患者の状態や施設の手順との適合は看護師自身が判断する必要があります。
参考：https://www.elsevier.com/promotions/introducing-clinicalkey-for-nursing-ai
OpenAI、常時稼働型エージェント「dots」を発表――研究データに応じて解析や資料を継続更新
OpenAIは2026年9月29日、目標を共有しながら継続的に業務を進めるAIエージェント「dots」を発表しました。
各dotはGPT-6 Astraと専用のクラウドコンピュータを備え、ブラウザや4,000以上のアプリに接続できるプラグインを利用して、複数の仕事を進めます。
ユーザーはChatGPT、Slack、Microsoft Teamsから指示やフィードバックを伝えられます。
dot側から進捗や確認事項を知らせることもでき、作業状況の変化に応じて成果物を更新する設計です。
研究者向けには、新しいデータが届くたびに解析を再実行し、予想外の結果を調べ、論文用の図表や説明文を更新する利用例が示されています。
組織向けには、購買や請求処理などの役割を担当する「specialist dots」も試験導入します。
組織がIDやアクセス権を設定し、Microsoft Agent 365の管理機能との統合も進める計画です。
対象地域のProとBusiness Premiumでは段階的に提供され、EnterpriseはHealthcareやEduを含め、管理者が有効化するとベータ版を利用できます。
医療・研究分野での注目点は、資料作成のたびに指示する負担を減らし、変化を追いながら作業を継続できる可能性です。
まずは研究資料の更新や事務業務など、成果を確認しやすい用途で有用性を検討できると考えられます。
ただし、Healthcare向けに提供されることは、自律的な診療判断の有効性を示すものではありません。
アクセス可能な情報、実行できる操作、人の承認が必要な場面を定めることが前提です。
長時間働くAIほど、個々の回答だけでなく、作業全体を確認・管理する仕組みが重要になります。
参考：https://openai.com/ja-JP/index/introducing-dots/
Microsoft、発話途中から認識する音声AIを発表――最初の暫定文字列を100ミリ秒強で出力
Microsoftは2026年10月1日、リアルタイム音声認識モデル「MAI-Transcribe-2-Streaming」を発表しました。
60言語に対応し、音声を受信してから100ミリ秒強で最初の暫定的な文字列を出力します。
後続の発話で文脈が明らかになると認識結果を修正し、最終的な文字列を確定します。
途中結果を先に利用することで、音声エージェントが相手の発話中から推論や情報検索を始められます。
会話の終了を待つ処理と比べ、応答までの待ち時間を減らせる可能性があります。
同社によると、Artificial Analysisの評価では暫定・確定の両文字列の認識精度で首位となり、社内評価では文字の表示が最も近い競合モデルの約2倍速かったとしています。
同時発表の音声合成モデル「MAI-Voice-2.1-Flash」と組み合わせ、聞き取りから応答までの遅延を抑える構成を示しました。
医療では、診察中の会話から記録案を作る仕組みや、音声入力、診療情報の検索などへの応用が考えられます。
ただし、一般的な音声認識の評価が、薬剤名や数値を含む医療会話の精度を保証するわけではありません。
また、発話途中の文字列は後から変わるため、検索や下書きの開始と、処方・検査オーダーなどの確定操作を分ける必要があります。
提供はPublic Preview段階で、SLAはなく、本番利用も推奨されていません。
速度の向上を現場の利益につなげるには、誤認識の訂正と人による確認を組み込んだ設計が欠かせません。
参考：https://microsoft.ai/news/our-first-streaming-transcription-model/
IBM、開発エージェント「Bob」をセルフホスト対応――閉域環境でも機密コードを扱える構成へ
IBMは2026年10月1日、ソフトウェア開発エージェント「IBM Bob」のセルフホスト型を発表しました。
オンプレミス、プライベートクラウドに加え、外部ネットワークから分離したエアギャップ環境にも対応します。
既存システムの理解、コード変更、検証、システム刷新などを支援する製品です。
セルフホスト型では、組織が管理するRed Hat OpenShift上でバックエンドを動かします。
対応するAIモデルも自社のGPU上で稼働させれば、ソースコードや関連データを外部に送らずに開発支援を利用できます。
機密情報を外部サービスへ送信できない組織にとって、導入方法の選択肢が広がります。
ただし、セルフホスト型が必ず完全オフラインになるわけではありません。
外部のAIモデルサービスにつなぐハイブリッド構成もあり、情報の機密性や組織の方針に応じて使い分けます。
データがどこで処理されるかは、実際に選ぶモデルと接続構成で確認する必要があります。
医療分野では、院内システムや電子カルテ周辺のソフトウェア開発・保守への応用が考えられます。
今回の発表は開発支援が対象であり、患者データ解析や診療支援の性能を直接示したものではありません。
それでも、AIを組織の管理下に配置する考え方は、閉域環境での活用を検討する際の参考になります。
さらにBobでは、設定の一元管理、ツール実行の自動承認の制限、監査記録、セキュリティ監視システムとの連携も用意されています。
AIを院内に置くだけで安全が確保されるわけではなく、変更権限や承認手順、実行履歴まで管理することが重要です。
Nature掲載の「AI科学者」研究を振り返る――研究の自動化と、人と協働する仮説探索
Sakana AIを中心とする研究チームは2026年3月25日、Googleの研究チームは5月19日、それぞれ研究プロセスを支援・自動化するAIの論文をNatureに発表しました。
今週の新規発表ではありませんが、エージェントの継続的な業務参加を考えるうえで、二つの方向性を示す研究です。
Sakana AIの「The AI Scientist」は、アイデア生成、文献検索、コード作成、計算実験、解析、論文執筆、自動査読までを一連の工程として実行します。
人が選別した未修正の生成論文3本をICLR 2025のワークショップへ提出し、1本が第一段階の査読を通過しました。
ただし、同ワークショップの採択率は約70％で、論文は事前の取り決めに従って取り下げられています。
実装や引用の誤りも残り、Natureに載ったのは、このシステムを人間が開発・評価した論文です。
Googleの「Co-Scientist」は、複数のAIエージェントが仮説を生成し、批判・比較・改善する仕組みです。
研究者が目的を示し、候補の評価や実験検証に関わります。
急性骨髄性白血病（AML）の研究では、提案されたKIRA6などを研究者が実験し、AML細胞株での作用を確認しました。
これは実験室段階の結果であり、患者への治療効果を示したものではありません。
両者の違いは、計算機内で研究工程を広く自動化する方向と、人の研究判断を支えながら仮説探索を広げる方向にあります。
医学・生命科学では実験や倫理的判断が伴うため、何を任せ、どこで人が検証するかが特に重要です。
AIが仮説や論文を大量に作れるようになるほど、研究の新規性、妥当性、再現性を見極める負担も増えます。
研究者には、作業時間の短縮だけでなく、検証する価値のある問いを選ぶ役割が一層求められると考えられます。
参考：https://www.nature.com/articles/s41586-026-10265-5
参考：https://www.nature.com/articles/s41586-026-10644-y
今週のまとめ
今回の話題には、AIを個々の質問への回答から、専門職の業務や研究の流れに組み込む動きが共通しています。
看護師の業務範囲への最適化、資料の継続更新、発話途中からの処理、閉域環境での開発支援など、実際の仕事に合わせた設計が具体化してきました。
医療従事者が見極めたいのは、性能の高さだけでなく、扱う情報と任せる操作の範囲、根拠の確認方法、人が介入するタイミングです。
製品の提供開始、利用者の評価、実験室での成果を区別し、確認可能な業務から活用を検討する視点が重要になります。
本ページは、医療・AI・アフェレシス領域に関連する公開情報を紹介し、委員の見解を付した情報共有記事です。
リンク先の記事・画像・図表・本文等の著作権は各権利者に帰属します。
当サイトでは、リンク先コンテンツの転載は行っておりません。
掲載内容は公開時点の情報に基づくものであり、特定の医療行為、製品、企業、医療機関等を推奨するものではありません。
診療上の判断は、最新の公的情報・原著論文・添付文書・各施設の方針等をご確認のうえ、専門職の責任において行ってください。
