Claude Handsを使ってみる Manusの実装を再現

GitHubにあがっているClaude Handsを使ってみました。
https://github.com/r488it/claude_hands
環境は、

• Windows 11 Pro (Copilot+PC)
• ARM

です。
実際使うには、Docker Desktopが必要でDocker Desktopをダウンロードしましょう。また、WSLのインストールも必要そうです。Decker Desktopをダウンロードした後に、促されます。

実際に使っている様子は下記。いい感じ。
https://youtu.be/XLnxJkzFdQY

用途としては、Deep Researchからの記事作成が捗る。ChatGPT、Gemini、Grok、GenSparkのDeep Researchと並行してまわして取捨選択するのがよいと思う。

こんなアウトプットをバリバリ生成してくれます。

Claude Handsのアウトプット例

# 札幌市立病院への生成AI導入：課題と解決策のロードマップ

## 1. はじめに

医療分野におけるデジタルトランスフォーメーション（DX）が加速する中、生成AIは医療サービスの質向上と効率化の両立に大きな可能性を秘めています。特に2022年末のChatGPTをはじめとする大規模言語モデル（LLM）の登場により、医療現場でのAI活用の幅は飛躍的に広がりました。

札幌市立病院は北海道の基幹病院として、672床を有し、33診療科を持つ高度急性期医療を担う地域医療支援病院です。救命救急センター、総合周産期母子医療センター、精神医療センター、感染症病棟など多様な医療機能を備え、「最後のとりで」として地域医療を支える重要な役割を担っています。

この記事では、札幌市立病院のような公立の高度急性期病院に生成AIを導入する際の課題を体系的に整理し、その解決策と段階的な導入ロードマップを提案します。医療におけるAI活用の発展とともに、地域医療の未来を支える技術基盤としての生成AIの可能性を探っていきます。

## 2. 医療機関における生成AI導入の必要性

### 医師の働き方改革への対応

2024年4月から施行された医師の時間外労働規制により、医療機関は医師の労働時間を適切に管理し、効率的な医療提供体制を構築することが急務となっています。生成AIは文書作成支援、情報整理、データ分析など、医師の業務負担を軽減し、本来の診療業務に集中できる環境づくりに貢献します。

例えば、恵寿総合病院や織田病院の事例では、生成AIを活用して看護記録から必要な情報を抽出・要約し、看護サマリの草案を自動生成することで、業務時間の大幅な削減を実現しています。

### 医療の質と効率の向上

生成AIは単なる業務自動化ツールではなく、医療の質向上にも大きく貢献します。最新の医学知識へのアクセス支援、診断支援、治療計画の策定支援など、医療者の意思決定を補助し、より質の高い医療サービスの提供を可能にします。

また、バックオフィス業務の効率化により、医療者がより患者ケアに時間を割くことができるようになり、結果として患者満足度の向上にもつながります。

### 札幌市立病院特有のニーズと可能性

札幌市立病院は多様な診療科と専門センターを持ち、年間約40万人の外来患者と約17万人の入院患者に対応する地域の中核病院です。このような大規模病院においては、以下のような生成AI活用の可能性が考えられます：

1. **多診療科間の連携強化**: 診療科や部門をまたぐ患者情報の要約・共有の効率化
2. **救急医療の意思決定支援**: 緊急時の迅速な情報収集と意思決定支援
3. **医学教育・研修の強化**: 研修医教育や継続的な医学教育におけるケーススタディや教材開発の支援
4. **地域医療連携の円滑化**: 紹介状や診療情報提供書の作成支援による地域医療ネットワークの強化

特に、公立病院として医師の働き方改革と地域医療の維持・向上の両立が求められる中、生成AIの戦略的活用は大きな意義を持ちます。

## 3. 生成AI導入における課題の整理

### 法的・規制上の課題

#### 個人情報保護

医療情報は要配慮個人情報に該当し、その取り扱いには特に厳格な管理が求められます。2025年には個人情報保護法の改正も予定されており、医療データの利活用と保護のバランスをどう取るかが重要な課題となります。

特に生成AIを用いる場合、患者データの学習利用や、AIへの入力情報の外部送信リスクなど、新たなデータガバナンス上の課題への対応が必要です。

#### 医療機器としての規制対応

診断支援など医療行為に直接関わるAIシステムは、医療機器として薬機法（医薬品医療機器等法）の規制対象となる可能性があります。どのような生成AI活用が医療機器に該当するのか、また該当する場合の承認プロセスや市販後の安全管理体制の整備など、規制対応の明確化が課題となります。

#### 責任所在の不明確さ

AIの判断に基づいて医療行為を行った場合の責任所在が不明確であることも大きな課題です。特に高度急性期医療を担う札幌市立病院では、生命に関わる判断を伴うケースも多く、AIの誤判断によるリスクと責任の明確化が重要です。

### 倫理的課題

#### AIに対する過信・依存リスク

医療従事者がAIの判断を過信し、自らの臨床判断を軽視してしまうリスクがあります。「Automation Bias（自動化バイアス）」と呼ばれるこの現象は、特に生成AIの出力が自然言語で説得力を持つため、より注意が必要です。

#### 公平性と偏りへの対応

AIシステムはトレーニングデータの偏りを反映するため、特定の患者集団に対して不公平な判断をする可能性があります。例えば、データが少ない希少疾患や特定の人口統計学的特性を持つ患者に対して、精度が低下する可能性があります。

#### 医療の人間性の維持

医療における人間同士の信頼関係や共感に基づくケアの価値を失わないよう、AIと人間の適切な役割分担を考慮する必要があります。特に札幌市立病院のような「最後のとりで」としての役割を持つ医療機関では、患者との信頼関係構築が極めて重要です。

#### 意思決定の透明性

生成AIの判断根拠が不明確な「ブラックボックス問題」は、医療のような高い説明責任が求められる領域では特に問題です。AI判断の根拠を医療者が理解し、また患者にも適切に説明できる透明性の確保が求められます。

### 技術的課題

#### 医療データの質と標準化

電子カルテデータの形式や質の不統一、構造化されていないデータの扱いなど、医療データの標準化と品質確保は生成AI導入の大きな技術的障壁です。33診療科を持つ札幌市立病院では、各科の記載方法の違いなどによるデータ品質の課題が特に顕著である可能性があります。

#### AIシステムの精度と信頼性

医療領域では特に高い精度と信頼性が求められます。生成AIの幻覚（事実と異なる情報の生成）や、医学的知識の不正確さは、医療現場での活用における大きな懸念事項です。

#### システム連携の複雑性

既存の医療情報システムとの連携、電子カルテや各種医療機器との相互運用性確保は、技術的に大きな課題です。特に多様なシステムが混在する大規模病院では、システム連携の複雑性が増します。

#### セキュリティとプライバシー保護

医療情報システムのセキュリティは常に高いレベルが求められますが、生成AIの導入によりさらなるセキュリティリスクが生じる可能性があります。特に外部AIサービスを利用する場合のデータ送信リスクなど、新たなセキュリティ対策が必要です。

### 運用・組織的課題

#### 導入コストと投資対効果

生成AIシステムの導入・運用には相当のコストがかかります。公立病院として費用対効果の説明責任があり、限られた予算の中での優先順位付けが課題です。

#### 人材育成と教育

医療従事者のAIリテラシー向上、AIを適切に活用するための継続的な教育体制の構築が必要です。特に、生成AIの限界を理解し、適切に活用するための教育が重要となります。

#### 組織文化と変革管理

新技術導入に対する組織的抵抗は避けられません。医療現場の文化や慣行を尊重しつつ、新技術の導入を進めるための変革管理が重要です。

#### 評価指標の確立

生成AI導入効果を適切に評価するための指標設定と継続的なモニタリング体制の構築も課題です。単なるコスト削減だけでなく、医療の質向上や患者満足度など多角的な評価が必要です。

## 4. 札幌市立病院における課題解決への取り組み

札幌市立病院での生成AI導入においては、以下のようなアプローチが効果的と考えられます。

### 課題解決のためのアプローチとビジョン

- **患者中心の価値創出**: 技術導入が最終的に患者にもたらす価値を常に意識
- **医療者の負担軽減と専門性向上の両立**: 単なる業務効率化だけでなく、医療者の専門性を高める活用
- **段階的かつ持続可能な導入**: 短期的成果と長期的発展を両立させる段階的アプローチ
- **透明性と倫理の重視**: 生成AI活用における倫理原則の明確化と遵守

### 重点的に対応すべき領域の優先順位付け

札幌市立病院の機能と役割を考慮すると、以下の領域を優先的に取り組むべきと考えられます：

1. **医療文書作成支援**: 診療情報提供書、退院サマリー、看護記録など
2. **医学知識支援**: 最新ガイドラインの要約、薬剤情報の整理など
3. **教育・研修支援**: 症例検討会資料作成、研修医教育支援など
4. **業務効率化**: 会議議事録作成、データ分析支援など

特に初期段階では、法規制や倫理的リスクが比較的低く、即効性の高い「医療文書作成支援」「業務効率化」から着手することが望ましいでしょう。

### 持続可能な生成AI活用モデルの構築

短期的な効果だけでなく、長期的な持続可能性を考慮した活用モデルが重要です。以下のような要素を含む持続可能なモデルを構築することが望まれます：

- **スケーラビリティ**: 初期導入の成功をもとに段階的に拡大できる設計
- **フレキシビリティ**: 技術進化や規制変更に柔軟に対応できる体制
- **自己強化メカニズム**: 活用が進むほど価値が高まる仕組み
- **コスト回収モデル**: 長期的な投資回収の見通しを立てた財務計画

## 5. 具体的な解決策の提案

### 法的・規制上の課題への対応策

#### 個人情報保護への対応

- **オンプレミス環境でのAI構築**: 患者データを外部に送信せず、院内で完結するシステム構築
- **データガバナンス委員会の設置**: 医療情報の適切な管理と活用のための専門委員会設置
- **匿名化・仮名化技術の活用**: 個人を特定できない形での医療データ活用
- **プライバシーバイデザインの導入**: システム設計段階からのプライバシー保護の組み込み

#### 医療機器としての規制対応

- **PMDAとの事前相談**: 規制対応の明確化と適切な対応策の事前検討
- **非医療機器領域からの段階的導入**: 規制リスクの低い業務効率化領域からの導入
- **承認済みAIソリューションの優先採用**: 薬事承認済みの医療AIサービスの活用

#### 責任所在の明確化

- **AI活用ガイドラインの策定**: AIの判断をどのように扱うかの明確なルール設定
- **段階的確認プロセスの確立**: AI提案→医療者確認→実施という明確なステップ設定
- **インシデント報告体制の整備**: AI関連インシデントの報告・分析体制の構築

### 倫理的課題への対応策

#### AIに対する過信・依存リスクへの対応

- **「支援ツール」としてのポジショニング**: AIは最終判断者ではなく支援ツールであることの明確化
- **定期的なAI判断検証**: AI判断と医療者判断の乖離分析と改善サイクルの確立
- **批判的思考トレーニング**: AI結果を批判的に評価するスキルの養成

#### 公平性と偏りへの対応

- **多様なデータセットの確保**: 人口統計学的多様性を確保したトレーニングデータの準備
- **バイアス監査プロセスの確立**: AIシステムの公平性を定期的に評価する仕組み
- **高リスク判断の人間確認**: 特に重要な判断における人間による最終確認の徹底

#### 医療の人間性維持

- **適切な役割分担の原則確立**: AIと人間の役割を明確に区分
- **対人コミュニケーション強化**: 患者との関係構築スキルの継続的強化
- **患者フィードバックの重視**: AI導入による患者体験への影響を継続的に評価

#### 意思決定の透明性確保

- **説明可能AIの優先採用**: 判断根拠を説明できるAIシステムの選定
- **視覚化ツールの導入**: AI判断のプロセスを視覚的に理解できるツールの活用
- **患者向け説明資料の開発**: AI活用を患者に適切に説明するための資料整備

### 技術的課題への対応策

#### 医療データの質と標準化

- **データクレンジングプロジェクト**: 既存データの品質向上プロジェクト実施
- **標準化ガイドライン策定**: 院内での記録方法の標準化推進
- **国際標準規格の採用**: HL7 FHIRなど国際標準規格の積極導入

#### AIシステムの精度と信頼性確保

- **段階的検証プロセス**: テスト環境→限定導入→全面展開の段階的アプローチ
- **専門領域ごとの精度評価**: 各診療科・専門領域での精度検証
- **継続的な監視と更新**: モデル性能の定期的評価と更新サイクルの確立

#### システム連携の複雑性対応

- **API連携基盤の構築**: 標準APIによるシステム間連携の促進
- **段階的システム統合計画**: 既存システムとの統合ロードマップ作成
- **ベンダー選定基準の明確化**: 相互運用性を重視したベンダー選定

#### セキュリティとプライバシー保護

- **多層防御アプローチ**: 複数の防御層によるセキュリティ確保
- **定期的なセキュリティ監査**: 外部専門家による監査の実施
- **インシデント対応計画の整備**: セキュリティインシデント発生時の対応計画策定

### 運用・組織的課題への対応策

#### 導入コストと投資対効果の管理

- **段階的投資計画**: 成果に応じた段階的投資で財務リスクを分散
- **ROI評価フレームワークの構築**: 定量・定性両面での投資効果測定
- **公的支援制度の活用**: 医療DX関連の助成金・補助金の積極活用

#### 人材育成と教育

- **段階的AI教育プログラム**: 基礎から応用までの体系的教育プログラム開発
- **専門人材の採用と育成**: 医療AI専門人材の計画的採用と内部育成
- **継続的学習環境の提供**: 定期的な研修会や自己学習リソースの提供

#### 組織文化と変革管理

- **チェンジマネジメント計画**: 組織変革を円滑に進めるための体系的計画
- **初期成功事例の可視化**: 小さな成功を積み重ね、組織全体に共有
- **トップダウンとボトムアップの融合**: 経営層のビジョンと現場ニーズの融合

#### 評価指標の確立

- **多角的評価フレームワーク**: 業務効率・医療の質・患者満足度等を含む総合評価
- **定期的なレビューサイクル**: クオータリーでの評価と改善サイクル確立
- **長期的インパクト評価**: 短期的効果だけでなく長期的影響の継続的評価

## 6. 段階的導入ロードマップ

札幌市立病院における生成AI導入は、以下のような3段階のロードマップで進めることが効果的です。

### フェーズ1：基盤整備とパイロット導入（6ヶ月）

#### 準備・計画段階（1-2ヶ月目）
- 生成AI導入推進チームの結成
- 現状分析と優先領域の特定
- 基本方針・ガイドラインの策定

#### 基盤整備（3-4ヶ月目）
- データガバナンス体制の構築
- セキュリティ・プライバシー保護環境の整備
- 導入評価指標の策定

#### パイロット導入（5-6ヶ月目）
- 非臨床領域での試験的導入（議事録作成、文書要約等）
- 看護記録等の要約・分析支援の試験導入
- 初期評価と改善点の抽出

### フェーズ2：段階的拡大と能力強化（7-18ヶ月目）

#### 導入拡大（7-9ヶ月目）
- 医療事務・バックオフィス業務への適用拡大
- 教育・研修支援システムの導入
- クリニカルパス作成支援等の導入

#### 臨床支援領域への展開（10-12ヶ月目）
- 診療情報提供書等の文書作成支援
- 医学文献検索・要約支援システムの導入
- 検査結果の一次スクリーニング支援

#### 能力強化と統合（13-18ヶ月目）
- 専門領域別AIモデルのカスタマイズ
- 院内システムとの統合強化
- 成果評価と次期計画の策定

### フェーズ3：高度化と発展（19-36ヶ月目）

#### 先進的活用（19-24ヶ月目）
- 臨床意思決定支援システムの導入検討
- 患者向けパーソナライズド情報提供の展開
- 予測モデルと予防医療への応用

#### 地域連携強化（25-30ヶ月目）
- 地域医療機関との連携システム構築
- 遠隔医療支援への活用拡大
- 地域住民向け健康管理支援

#### イノベーション推進（31-36ヶ月目）
- 研究開発・臨床研究への活用
- 新たな医療モデルの開発
- 持続的イノベーション体制の確立

このロードマップは、初期の小さな成功を積み重ねながら、徐々に複雑で高度な活用へと発展させる「スモールスタート、ビッグビジョン」の考え方に基づいています。各フェーズでの成果と課題を適切に評価し、必要に応じて計画を調整していくことが重要です。

## 7. 成功のための重要ポイント

### 医療者中心の導入プロセス

生成AI導入の成功のカギは、技術ではなく人にあります。医療者が主体的に参画し、現場のニーズに基づいたシステム構築を行うことが重要です。

- 現場医療者の声を反映させる仕組みの構築
- 医療者と技術者の協働体制の確立
- 導入プロセスの各段階での医療者による評価と改善

### 継続的な評価と改善

生成AI技術は急速に進化しており、導入後も継続的な評価と改善が必要です。

- 導入効果の定期的な測定と評価
- ユーザーフィードバックの収集と反映の仕組み
- 技術革新に対応した定期的なアップデート計画

### 患者視点の重視

最終的に生成AI導入の目的は、患者ケアの向上にあります。患者視点での価値創出を常に意識することが重要です。

- 患者体験への影響の継続的な評価
- 患者向けの説明・情報提供の充実
- 患者からのフィードバック収集と活用

### 外部ステークホルダーとの連携

生成AI導入は、病院単独で完結するものではありません。外部ステークホルダーとの連携が成功の鍵となります。

- 他医療機関との知見共有・連携
- 大学・研究機関との共同研究
- 規制当局・自治体との緊密なコミュニケーション
- ベンダー・技術パートナーとの戦略的関係構築

## 8. おわりに：未来の医療を見据えて

札幌市立病院への生成AI導入は、単なる業務効率化やコスト削減を超えた、医療の質の向上と持続可能な地域医療体制の構築に向けた重要な一歩です。

### 札幌市立病院の生成AI活用の未来像

生成AIの適切な導入により、札幌市立病院は以下のような未来に近づくことができるでしょう：

- 医療者が真に患者ケアに集中できる環境の実現
- 最新の医学知識を迅速に活用できる知識基盤の構築
- データに基づく予測医療と予防医療の推進
- 地域医療ネットワークのハブとしての機能強化

### 地域医療におけるリーダーシップの可能性

札幌市立病院が生成AI活用のフロントランナーとなることで、北海道全体の医療DXを牽引するリーダーシップを発揮することができます。

- 生成AI活用のベストプラクティスの確立と共有
- 地域医療機関との連携による包括的な医療AIエコシステムの構築
- 市民の健康リテラシー向上と予防医療の推進

### 最終的な展望と期待されるインパクト

生成AIを含む医療テクノロジーの進化は、医療のあり方そのものを変革する可能性を秘めています。札幌市立病院の生成AI導入は、以下のような社会的インパクトをもたらす可能性があります：

- 医療の質向上と医療者の働き方改革の両立
- 医療アクセスの地域格差の低減
- 予防医療と個別化医療の推進による市民の健康寿命延伸
- 持続可能な地域医療体制の構築

この取り組みは、技術導入という枠を超えて、未来の医療のあり方を形作る重要なステップとなるでしょう。技術革新のスピードは速く、チャレンジは多いですが、医療の本質的価値を見失わず、患者中心の医療を実現するための変革として、着実に進めていくことが重要です。

---

※本記事は、札幌市立病院の公式見解ではなく、利用可能な公開情報に基づいて、公立病院における生成AI導入の課題と解決策を考察したものです。実際の導入に際しては、最新の技術動向や規制環境、組織の状況を踏まえた検討が必要となります。