AIエージェントによるインテリジェントな放射線ワークフロー最適化

多くの医療機関は、従来のワークリストシステムが硬直的なルールに依存し、放射線科医の専門性、現在の作業負荷、疲労度、症例の複雑さといった重要なコンテキストを無視していると報告しています。その結果、放射線科医は簡単で高価値の症例を選び、複雑な研究を避ける傾向があり、診断の遅延とコスト増加を招いています。62病院で220万件の研究を分析した調査によると、非効率な症例割り当てにより緊急症例で17.7分の遅延が生じ、病院ネットワーク全体で210万～420万ドルのコストが発生しています。

根本原因は、従来の放射線科ワークリストシステムがルールベースのエンジンを使い、コンテキストを無視していることです。この記事では、Amazon Bedrock AgentCoreとStrands Agents SDKを使用したAIエージェントによる放射線ワークフロー最適化の構築方法を紹介します。このソリューションは、ネットワーク化された専門AIエージェントが連携し、検査の割り当てから読影までをエンドツーエンドで自動化します。

アーキテクチャの中心はオーケストレーションエージェントで、技師が検査を完了しPACSに転送すると、セッションを開始して複数の専門エージェントを調整します。検査メタデータ合成エージェントはモダリティ、身体部位、緊急フラグを抽出し、患者履歴合成エージェントは関連する臨床コンテキストと過去の検査記録を収集します。これらの情報に基づき、放射線割り当てエージェントは放射線科医の専門性、リアルタイムの可用性、現在の作業負荷、疲労パターンを考慮して最適な医師をマッチングします。緊急症例の場合、検査優先順位付けエージェントがAI画像モデル（肺塞栓検出のためのAANetなど）を使用して重要な所見を自動検出し、優先順位を高めます。

システムは二重のメモリメカニズムを採用しています。短期メモリは個々のセッションの生の対話履歴を保存し、サービス再起動や再割り当て時の継続性を確保します。長期メモリはセマンティックメモリとエピソードメモリを通じてセッションを超えた知識を蓄積し、割り当て理由、決定要因、結果の振り返りを含めて将来の割り当てを最適化します。また、Amazon Bedrock Guardrailsがインバウンドおよびアウトバウンドで個人識別情報（PII）をフィルタリングし、データセキュリティを確保します。

動的ルールエージェントはサービスレベルアグリーメント（SLA）要件やエスカレーションポリシーなどのビジネスロジックを適用し、放射線科医のフィードバック（受入、拒否、スキップ）を適応学習に活用します。エピソードメモリの振り返り機能は、SLA違反や拒否などの失敗から洞察を抽出し、戦略的知識に変換してエージェントの意思決定を改善します。最終的に、放射線科医は手動でキューを操作する必要なく診断に集中でき、効率が向上し、遅延とコストが削減されます。

このソリューションは、医療ワークフローにおけるAIエージェントの大きな可能性を示しており、コンテキスト認識型のインテリジェントな割り当てにより、放射線科医の満足度を高めるだけでなく、患者ケアの質も向上させます。今後、多くの医療機関が同様の技術を採用することで、放射線ワークフローはタスク管理から自律的なオーケストレーションへのパラダイムシフトを迎えるでしょう。