英国の医療と介護の監督機関、ケア品質委員会(Care Quality Commission)は、公的な調査に出す文書を機械学習で並べ替える仕組みを試しています。職員が文書に付けた「関係あり・なし」からモデルが学び、まだ読んでいない文書を、関係がありそうな順に並べます。ただ、出典は委員会が出した政府のアルゴリズムの記録だけです。時間がどれだけ減ったかや、関係のある文書をどれだけ見つけられたかの数字は、1つも書かれていません。性能は製品の会社のページへのリンクだけです。段階は試しの運用で、記録は2026年3月の公開です。
この事例で分からないこと
英国では、大きな事故や問題が起きると、大臣が公的な調査を開くことがあります。調査は委員会のような機関に文書の提出や証言を求めます。
委員会の調査の係は、求められると、まず関係のありそうな文書を広く集めます。前はその文書を順番もなく手で読んでいました。関係のない文書を読むのに、多くの時間を使っていたと記録は書いています。
使っているのは、文書の見直しの道具「Relativity」の「アクティブ・ラーニング」という機能です。委員会は KLディスカバリー(KL Discovery)という会社からこの道具を入れました。
まず、職員が一部の文書を読み、「関係あり」か「関係なし」かの印を付けます。モデルはその印から学び、まだ読んでいない文書に、関係のありそうな度合いを付けます。職員は度合いの高い文書から読み、印を付けるたびに、モデルが学び直して順番を変えます。
モデルはサポートベクターマシンです。文書を「関係あり」と「関係なし」の2つに分けるための線を、例から学ぶしくみです。文書の中身を要約したり、中身を決めたりする仕組みではありません。
どの文書を読み、どれを調査に出すかは、職員だけが決めます。モデルが決めるのは、次に読む順番の見立てまでです。
委員会は、大事な文書にモデルがまちがった印を付けるおそれがあると書いています。そのため、機械の見立てのあとに、人が見直す点検の段を入れています。文書には患者の情報が入ることがあり、見られる人は承認と2段階の確かめで絞っています。
| 📊 項目 | 数字 |
|---|---|
| 結果を役立てる人数の見込み | 最大20人余り |
| 見直しの時間の変化 | — |
| 関係のある文書を見つけた割合 | — |
| 費用の変化 | — |
凡例:—=出典に記載なし
出典:政府のアルゴリズムの記録(2026年3月30日)。
| 📢 公表されている説明 | ⚠️ 確認できていない点 |
|---|---|
| 文書を見直す時間が減る | 減った時間 |
| 関係のある文書を早く見つけられる | 見つけた割合と、見落とした文書の数 |
| 手の費用が下がり、締め切りを守りやすい | 費用や締め切りの変化 |
| 製品の会社が毎年、性能を確かめている | 委員会の文書での性能 |
| 今の調査と今後の調査への対応すべてで使う見込み | 試しの運用から本番に移ったか、実際に使った人数 |
凡例:📢=当事者(ケア品質委員会)が公表している説明 ⚠️=出典に書かれておらず、こちらで確認できていない点
出典:政府のアルゴリズムの記録(2026年3月30日)。外の組織による確かめは検索で見つかりませんでした。
会社の社内調査の係に応用できそうです。集めたメールや書類のうち、まず一部に人が「関係あり・なし」を付けます。残りを関係のありそうな順に並べてもらい、上から読む形です。
役所の情報公開の係や、保険の不正の調べにも使えそうです。出すかどうかは人が決め、機械の見立てのあとに人が見る段を残しておきます。
委員会はこの道具を、今の調査と今後の調査への対応すべてで使う見込みだとしています。
米国のマウントサイナイ医療グループ、入院した高齢者のせん妄の危険を見る機械学習のモデルを学び直さずに2つ目の病院で使い、見分ける力は本院の0.94に対して0.91だったが、危険が高いと出た人のうち実際にせん妄だったのは25.9%だった
2026.11.16
英国の情報コミッショナー事務局、苦情や問い合わせの案件を、メールはGPT-4.1で読み取って自動で作り、1件12〜15分かかっていた手作業の9割以上を、ウェブの申込書の分と合わせて置き換える見込みとしている
2026.11.15
米国のイェール大学医学部、救急外来の受付までの記録からオピオイド使用障害の患者を機械学習で見つけて知らせる仕組みを作り、医師のカルテの見直しと比べると、印を付けた人の89.3%が一致し、病気の人のうち見つけられたのは推計で4割だった
2026.11.15