総合健診における人工知能への期待
総合健診は我が国が世界に誇る健康管理システムである。一見健康な集団に対して大規模かつ定期的にスクリーニング検査を実施することで、多くの疾患を無症状のうちに検出し、予防・治療につなげることができる。しかし、対象集団のほとんどが健康であるため、有病率が極端に低く、精度の高い検査であっても偽陽性が多くなってしまうという問題がある。人工知能は、現在人間が行っているタスクの自動化および、検査から直接疾患を検出するシステムの構築を可能にし、健診で扱える情報の拡大や検査精度の大幅な改善を実現しうる。疾患の見落としを減らすだけでなく、不要な2次検査を減らすことで、医療費の削減や不要な身体侵襲・放射線被曝なども...
Saved in:
| Published in | 総合健診 Vol. 51; no. 2; pp. 209 - 214 |
|---|---|
| Main Author | |
| Format | Journal Article |
| Language | Japanese |
| Published |
一般社団法人 日本総合健診医学会
10.03.2024
日本総合健診医学会 |
| Subjects | |
| Online Access | Get full text |
| ISSN | 1347-0086 1884-4103 |
| DOI | 10.7143/jhep.51.209 |
Cover
Loading…
| Abstract | 総合健診は我が国が世界に誇る健康管理システムである。一見健康な集団に対して大規模かつ定期的にスクリーニング検査を実施することで、多くの疾患を無症状のうちに検出し、予防・治療につなげることができる。しかし、対象集団のほとんどが健康であるため、有病率が極端に低く、精度の高い検査であっても偽陽性が多くなってしまうという問題がある。人工知能は、現在人間が行っているタスクの自動化および、検査から直接疾患を検出するシステムの構築を可能にし、健診で扱える情報の拡大や検査精度の大幅な改善を実現しうる。疾患の見落としを減らすだけでなく、不要な2次検査を減らすことで、医療費の削減や不要な身体侵襲・放射線被曝なども減らせる。また、機械は疲れることなく同じ計算を繰り返し実施できるため、健診のように、大規模な集団を対象とするにはうってつけだ。 このように、非常に有用な人工知能であるが、世間でまことしやかに囁かれている「医師の仕事を奪う」というようなことは、今しばらくは起こらないと考えられる。あくまで、優れた検査結果が追加で得られるのと同様であり、結果の解釈や患者の価値観に基づく次のステップの判断など、重要な医師の仕事を肩代わりすることはできない。我々、現代の医師には、AIの長所と短所を正しく理解し、上手に使いこなすことが求められている。 |
|---|---|
| AbstractList | 「抄録」総合健診は我が国が世界に誇る健康管理システムである. 一見健康な集団に対して大規模かつ定期的にスクリーニング検査を実施することで, 多くの疾患を無症状のうちに検出し, 予防・治療につなげることができる. しかし, 対象集団のほとんどが健康であるため, 有病率が極端に低く, 精度の高い検査であっても偽陽性が多くなってしまうという問題がある. 人工知能は, 現在人間が行っているタスクの自動化および, 検査から直接疾患を検出するシステムの構築を可能にし, 健診で扱える情報の拡大や検査精度の大幅な改善を実現しうる. 疾患の見落としを減らすだけでなく, 不要な2次検査を減らすことで, 医療費の削減や不要な身体侵襲・放射線被曝なども減らせる. また, 機械は疲れることなく同じ計算を繰り返し実施できるため, 健診のように, 大規模な集団を対象とするにはうってつけだ. このように, 非常に有用な人工知能であるが, 世間でまことしやかに囁かれている「医師の仕事を奪う」というようなことは, 今しばらくは起こらないと考えられる. あくまで, 優れた検査結果が追加で得られるのと同様であり, 結果の解釈や患者の価値観に基づく次のステップの判断など, 重要な医師の仕事を肩代わりすることはできない. 我々, 現代の医師には, AIの長所と短所を正しく理解し, 上手に使いこなすことが求められている. 総合健診は我が国が世界に誇る健康管理システムである。一見健康な集団に対して大規模かつ定期的にスクリーニング検査を実施することで、多くの疾患を無症状のうちに検出し、予防・治療につなげることができる。しかし、対象集団のほとんどが健康であるため、有病率が極端に低く、精度の高い検査であっても偽陽性が多くなってしまうという問題がある。人工知能は、現在人間が行っているタスクの自動化および、検査から直接疾患を検出するシステムの構築を可能にし、健診で扱える情報の拡大や検査精度の大幅な改善を実現しうる。疾患の見落としを減らすだけでなく、不要な2次検査を減らすことで、医療費の削減や不要な身体侵襲・放射線被曝なども減らせる。また、機械は疲れることなく同じ計算を繰り返し実施できるため、健診のように、大規模な集団を対象とするにはうってつけだ。 このように、非常に有用な人工知能であるが、世間でまことしやかに囁かれている「医師の仕事を奪う」というようなことは、今しばらくは起こらないと考えられる。あくまで、優れた検査結果が追加で得られるのと同様であり、結果の解釈や患者の価値観に基づく次のステップの判断など、重要な医師の仕事を肩代わりすることはできない。我々、現代の医師には、AIの長所と短所を正しく理解し、上手に使いこなすことが求められている。 |
| Author | 後藤, 信一 |
| Author_xml | – sequence: 1 fullname: 後藤, 信一 organization: 東海大学医学部総合診療学系・総合内科 |
| BookMark | eNo1kEFLw0AQhRdRsNae_B2pszubbHIRpGgVCl70vOwmG5uQpiWtgscoguhBvQs9FQTBa6WgfybG9mcYrV7eGxjme7zZIKtpPzWEbFFoCspxO-6aQdOmTQbeCqlR1-UWp4Cr1YxcWACus04aw2GkARgApzbWCMyn9-XDTZlPFs-zIn8p8tsifywu7z5ns3I6mY8ni6v3In8r8tevp3H5cb1J1kKVDE3jz-vkZH_vuHVgdY7ah63djhUzx6GWBuFjyFFoTzlcowYtQqo4ggIbNKKHwmWBpqEJPFsr5mKouY9CeczRPsU6aS-5PRNEvkr6aRKlRsb9syytcmUwgq45H2SSAeMSwKbAKqOy6uZVQjlHVyD8kHaWpHg4UqdGDrKop7ILqbJR5CcVsvqbtKlkv1Id_y_8rspkrPAbcq139w |
| ContentType | Journal Article |
| Copyright | 2024 一般社団法人 日本総合健診医学会 |
| Copyright_xml | – notice: 2024 一般社団法人 日本総合健診医学会 |
| CorporateAuthor | 東海大学医学部総合診療学系・総合内科 |
| CorporateAuthor_xml | – name: 東海大学医学部総合診療学系・総合内科 |
| DOI | 10.7143/jhep.51.209 |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| EISSN | 1884-4103 |
| EndPage | 214 |
| ExternalDocumentID | dt0hevpr_2024_005102_001_0209_02144387301 article_jhep_51_2_51_209_article_char_ja |
| GroupedDBID | ALMA_UNASSIGNED_HOLDINGS BKOMP JSF KQ8 MOJWN RJT |
| ID | FETCH-LOGICAL-j2661-b07c3f437b9a64b3b0b7f1a430a050b3393782db1fed95ba283fb4c37a926bc13 |
| ISSN | 1347-0086 |
| IngestDate | Thu Jul 10 16:14:02 EDT 2025 Wed Sep 03 06:30:18 EDT 2025 |
| IsDoiOpenAccess | true |
| IsOpenAccess | true |
| IsPeerReviewed | false |
| IsScholarly | false |
| Issue | 2 |
| Language | Japanese |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-j2661-b07c3f437b9a64b3b0b7f1a430a050b3393782db1fed95ba283fb4c37a926bc13 |
| OpenAccessLink | https://www.jstage.jst.go.jp/article/jhep/51/2/51_209/_article/-char/ja |
| PageCount | 6 |
| ParticipantIDs | medicalonline_journals_dt0hevpr_2024_005102_001_0209_02144387301 jstage_primary_article_jhep_51_2_51_209_article_char_ja |
| PublicationCentury | 2000 |
| PublicationDate | 2024/03/10 20240310 |
| PublicationDateYYYYMMDD | 2024-03-10 |
| PublicationDate_xml | – month: 03 year: 2024 text: 2024/03/10 day: 10 |
| PublicationDecade | 2020 |
| PublicationTitle | 総合健診 |
| PublicationTitleAlternate | 総合健診 |
| PublicationYear | 2024 |
| Publisher | 一般社団法人 日本総合健診医学会 日本総合健診医学会 |
| Publisher_xml | – name: 一般社団法人 日本総合健診医学会 – name: 日本総合健診医学会 |
| References | 11) Cui Z, Fang Y, Mei L, et al: A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images. Nature Communications 2022; 13(1): 2096. 1) Lu J: Ningen Dock: Japan's unique comprehensive health checkup system for early detection of disease. Global Health & Medicine 2022; 4(1): 9-13. 12) Vaidyanathan A, van der Lubbe MFJA, Leijenaar RTH, et al: Deep learning for the fully automated segmentation of the inner ear on MRI. Scientific Reports 2021; 11(1): 2885. 5) Goto S, Goto S: Application of Neural Networks to 12-Lead Electrocardiography — Current Status and Future Directions —. Circulation Reports 2019; 1(11): 481-6. 14) Goto S, Goto S, Pieper KS, et al: New artificial intelligence prediction model using serial prothrombin time international normalized ratio measurements in atrial fibrillation patients on vitamin K antagonists: GARFIELD-AF. European Heart Journal - Cardiovascular Pharmacotherapy 2019; 6(5): 301-9. 8) Goto S, Ozawa H: The Importance of External Validation for Neural Network Models∗. JACC: Advances 2023; 2(8): 100610. 9) Zhang J, Gajjala S, Agrawal P, et al: Fully Automated Echocardiogram Interpretation in Clinical Practice. Circulation 2018; 138(16): 1623-35. 18) Truslow JG, Goto S, Homilius M, et al: Cardiovascular Risk Assessment Using Artificial Intelligence-Enabled Event Adjudication and Hematologic Predictors. Circ Cardiovasc Qual Outcomes 2022; 15(6): e008007. 2) Hamashima C: Cancer screening guidelines and policy making: 15 years of experience in cancer screening guideline development in Japan. Jpn J Clin Oncol 2018; 48(3): 278-86. 7) Miura K, Goto S, Katsumata Y, et al: Feasibility of the deep learning method for estimating the ventilatory threshold with electrocardiography data. npj Digital Medicine 2020; 3(1): 141. 16) Attia ZI, Harmon DM, Dugan J, et al: Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction. Nat Med 2022; 28(12): 2497-503. 19) Yamasawa D, Ozawa H, Goto S: The Importance of Interpretability and Validations of Machine-Learning Models. Circulation Journal 2023; advpub. 13) Goto S, Kimura M, Katsumata Y, et al: Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PLoS One 2019; 14(1): e0210103. 4) Goto S, McGuire DK, Goto S: The Future Role of High-Performance Computing in Cardiovascular Medicine and Science -Impact of Multi-Dimensional Data Analysis. Journal of Atherosclerosis and Thrombosis 2022; 29(5): 559-62. 3) Miura K, Yagi R, Miyama H, et al: Deep learning-based model detects atrial septal defects from electrocardiography: a cross-sectional multicenter hospital-based study. eClinicalMedicine 2023; 63: 102141. 15) Yagi R, Goto S, Katsumata Y, et al: Importance of external validation and subgroup analysis of artificial intelligence in the detection of low ejection fraction from electrocardiograms. Eur Heart J Digit Health 2022; 3(4): 654-7. 6) Goto S, Mahara K, Beussink-Nelson L, et al: Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nature Communications 2021; 12(1): 2726. 10) Ouyang D, He B, Ghorbani A, et al: Video-based AI for beat-to-beat assessment of cardiac function. Nature 2020; 580(7802): 252-6. 17) Attia ZI, Kapa S, Lopez-Jimenez F, et al: Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med 2019; 25(1): 70-4. |
| References_xml | – reference: 17) Attia ZI, Kapa S, Lopez-Jimenez F, et al: Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med 2019; 25(1): 70-4. – reference: 19) Yamasawa D, Ozawa H, Goto S: The Importance of Interpretability and Validations of Machine-Learning Models. Circulation Journal 2023; advpub. – reference: 2) Hamashima C: Cancer screening guidelines and policy making: 15 years of experience in cancer screening guideline development in Japan. Jpn J Clin Oncol 2018; 48(3): 278-86. – reference: 10) Ouyang D, He B, Ghorbani A, et al: Video-based AI for beat-to-beat assessment of cardiac function. Nature 2020; 580(7802): 252-6. – reference: 12) Vaidyanathan A, van der Lubbe MFJA, Leijenaar RTH, et al: Deep learning for the fully automated segmentation of the inner ear on MRI. Scientific Reports 2021; 11(1): 2885. – reference: 15) Yagi R, Goto S, Katsumata Y, et al: Importance of external validation and subgroup analysis of artificial intelligence in the detection of low ejection fraction from electrocardiograms. Eur Heart J Digit Health 2022; 3(4): 654-7. – reference: 16) Attia ZI, Harmon DM, Dugan J, et al: Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction. Nat Med 2022; 28(12): 2497-503. – reference: 11) Cui Z, Fang Y, Mei L, et al: A fully automatic AI system for tooth and alveolar bone segmentation from cone-beam CT images. Nature Communications 2022; 13(1): 2096. – reference: 1) Lu J: Ningen Dock: Japan's unique comprehensive health checkup system for early detection of disease. Global Health & Medicine 2022; 4(1): 9-13. – reference: 14) Goto S, Goto S, Pieper KS, et al: New artificial intelligence prediction model using serial prothrombin time international normalized ratio measurements in atrial fibrillation patients on vitamin K antagonists: GARFIELD-AF. European Heart Journal - Cardiovascular Pharmacotherapy 2019; 6(5): 301-9. – reference: 13) Goto S, Kimura M, Katsumata Y, et al: Artificial intelligence to predict needs for urgent revascularization from 12-leads electrocardiography in emergency patients. PLoS One 2019; 14(1): e0210103. – reference: 6) Goto S, Mahara K, Beussink-Nelson L, et al: Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nature Communications 2021; 12(1): 2726. – reference: 7) Miura K, Goto S, Katsumata Y, et al: Feasibility of the deep learning method for estimating the ventilatory threshold with electrocardiography data. npj Digital Medicine 2020; 3(1): 141. – reference: 3) Miura K, Yagi R, Miyama H, et al: Deep learning-based model detects atrial septal defects from electrocardiography: a cross-sectional multicenter hospital-based study. eClinicalMedicine 2023; 63: 102141. – reference: 9) Zhang J, Gajjala S, Agrawal P, et al: Fully Automated Echocardiogram Interpretation in Clinical Practice. Circulation 2018; 138(16): 1623-35. – reference: 5) Goto S, Goto S: Application of Neural Networks to 12-Lead Electrocardiography — Current Status and Future Directions —. Circulation Reports 2019; 1(11): 481-6. – reference: 18) Truslow JG, Goto S, Homilius M, et al: Cardiovascular Risk Assessment Using Artificial Intelligence-Enabled Event Adjudication and Hematologic Predictors. Circ Cardiovasc Qual Outcomes 2022; 15(6): e008007. – reference: 4) Goto S, McGuire DK, Goto S: The Future Role of High-Performance Computing in Cardiovascular Medicine and Science -Impact of Multi-Dimensional Data Analysis. Journal of Atherosclerosis and Thrombosis 2022; 29(5): 559-62. – reference: 8) Goto S, Ozawa H: The Importance of External Validation for Neural Network Models∗. JACC: Advances 2023; 2(8): 100610. |
| SSID | ssib002004153 ssj0003239021 ssib058494444 ssib029852169 |
| Score | 1.94663 |
| Snippet | ... 「抄録」総合健診は我が国が世界に誇る健康管理システムである. 一見健康な集団に対して大規模かつ定期的にスクリーニング検査を実施することで, 多くの疾患を無症状のうちに検出し, 予防・治療につなげることができる. しかし, 対象集団のほとんどが健康であるため, 有病率が極端に低く,... |
| SourceID | medicalonline jstage |
| SourceType | Publisher |
| StartPage | 209 |
| SubjectTerms | AI 健診 医療 多次元データ |
| Title | 総合健診における人工知能への期待 |
| URI | https://www.jstage.jst.go.jp/article/jhep/51/2/51_209/_article/-char/ja http://mol.medicalonline.jp/en/journal/download?GoodsID=dt0hevpr/2024/005102/001&name=0209-0214j |
| Volume | 51 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| ispartofPNX | 総合健診, 2024/03/10, Vol.51(2), pp.209-214 |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV3Na9RAFA-1XgQRRcX6RRHnJKmTmUwyczPZZimKgtBCbyGTZKkL1qVuPXiLIoge1LvQ04IgeK0s6D8T1_bP8L3Jx0YRrL2Ex2TmzZt5k3m_l8x7saybNANUnPHUHgh8dSNZaideSm3FNRjL1GeZwADn-w-8tQ337qbYXDhxo3NqaXesV9Lnf40rOY5WoQz0ilGy_6HZlikUAA36hStoGK5H0jGJfBL6RPZJJIiiREokpEMCQSJJAknCgETclIQ1IZsS5RiCEQm3XKyJlQUyxOY-Uf2aj-QkXK1bhbJhGJHII6qH1bBVRKqf4jRI9yiyNdpuGPTwjoL-XdS8kQpkcAwBYtDuKwrm2ua8W7uo2lpGZOihhyIAK-CMIoQk4ChyyIkS7YhvmVFUQzbDqZr9e1YFihuGSASrJPAMR5iNoLPNc9e30ZurrGBVJqVruw7lXdtQJ8N91HHR642eqg5mYFUg7J_mCP8tj-ZoKx-tCHwZoeZWtz0LWa-eGGvFwomZuVAVNzcw_C4egg9wkoErhMbn3sOOi4gZ0-aQiykJgMxrISrgS-U2KQERnXDGFa3DEetJqMJWUdjbHVEBkg3BQcHME6cfVx8Nq-QtHfy1ftY6UztOy0El7jlrYZict-jB_rvZ-9ezYnL4aVoWn8viTVl8KF-8_TGdzvYnB3uTw5ffyuJrWXz5-XFv9v3VBWujH6331uz6HyD2EKGjramf8oHLfa0Sz9VcU-0PnMTlNKGCao75HCXLtDPIMyV0Amh5oN2U-4link4dftFa3H6ynV-ylinnifRT7flpDjOiNaM8ycCmeYnOEy6WLL8acDyqEr3ER1XNknXntxmK6z3iaZyN6Vb-bLQT42MRGwvI8BhpTJGNyVfIJRrZy8fu_Ip1av7MXbUWxzu7-TUAymN93ayUX9Q6mjA |
| linkProvider | Colorado Alliance of Research Libraries |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E7%B7%8F%E5%90%88%E5%81%A5%E8%A8%BA%E3%81%AB%E3%81%8A%E3%81%91%E3%82%8B%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD%E3%81%B8%E3%81%AE%E6%9C%9F%E5%BE%85&rft.jtitle=%E7%B7%8F%E5%90%88%E5%81%A5%E8%A8%BA&rft.au=%E5%BE%8C%E8%97%A4%2C+%E4%BF%A1%E4%B8%80&rft.date=2024-03-10&rft.pub=%E4%B8%80%E8%88%AC%E7%A4%BE%E5%9B%A3%E6%B3%95%E4%BA%BA+%E6%97%A5%E6%9C%AC%E7%B7%8F%E5%90%88%E5%81%A5%E8%A8%BA%E5%8C%BB%E5%AD%A6%E4%BC%9A&rft.issn=1347-0086&rft.eissn=1884-4103&rft.volume=51&rft.issue=2&rft.spage=209&rft.epage=214&rft_id=info:doi/10.7143%2Fjhep.51.209&rft.externalDocID=article_jhep_51_2_51_209_article_char_ja |
| thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=1347-0086&client=summon |
| thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=1347-0086&client=summon |
| thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=1347-0086&client=summon |