EHRはデジタル化されているのに、なぜ検査結果は
いまだにスクリーンショットでやり取りされるのか？

誰も想定しなかったスクリーンショットパイプライン

始まりはFAXだ。病院の診療記録管理部門からのメールに添付されたPDF。HL7インターフェースを持たない診療所が参照ラボにログインするポータル。結果は同じだ：臨床スタッフが、エクスポートできない画面で検査値を確認し、スクリーンショットを撮る。あるいはPDFに印刷して患者のカルテに添付する——検索も構造化もされないまま。

このワークフローは例外的ではない。2025年のEHRユーザビリティに関するスコーピングレビューでは、回診前の準備中に一人の患者のスナップショットをまとめる研修医が、平均6分27秒で28の別々のEHR画面を操作していたことが報告されている——主に検査値、薬剤、診療録が一つの画面で同時に表示できなかったためだ。この断片化は、単一システムの設計上の欠陥ではない。データ標準が紙の上では存在しても、実際には機能しないエコシステムの予測可能な結果なのだ。

外部の検査結果がEpicを運用する診療所に届くと、三つの経路のいずれかをたどる。経路1：検査機関がその特定のEpicインスタンスと動作するHL7インターフェースを持っている——結果は自動的に構造化フィールドに流れ込む。経路2：結果がPDFまたはFAXで届き、誰かがすべての値を手動でEHRに入力する。経路3——診療所の統合や患者の医療システム間の移動が増えるにつれて一般的になりつつある——はスクリーンショット：入力より速く、メッセージで共有できるが、データは画像に閉じ込められ、EHRはクエリ、トレンド表示、臨床判断支援に使用できない。

2021年に発表された系統的レビューでは、医師が勤務時間の37%をEHRとのやり取りに費やしていることが判明している——そしてそれはシステム内で記録された時間に過ぎず、その外で発生するスクリーンショット、ポータルログイン、回避策は含まれていない。スクリーンショットはEHRのイベントログには表示されない。どの生産性ダッシュボードにも現れない。しかし、それらは存在している——そして誰かがそれらを再入力しているのだ。

「統合すればいい」が20年実現しなかった理由

医療には相互運用性の標準規格が存在する。HL7 v2は1990年代から検査室メッセージを解析してきた。LOINC（論理観測識別子名コード）は検査結果に普遍的なコードを提供する——ナトリウム値、ヘモグロビン値、TSH値のすべてに標準化された識別子がある。FHIR（高速医療相互運用性リソース）は、REST API呼び出しのようにデータ交換を簡単にするために設計された最新の標準規格だ。

それなのに、なぜスクリーンショットはまだ存在するのか？

第一の答えはマッピングだ。2026年のJMIR Medical Informaticsの研究によると、6%から19%の検査項目はLOINCコードに正確にマッピングできないという。たとえそのタスク専用に設計された自動システムを使ってもだ。各参照検査機関は独自の内部検査コードを使用する。各EHRは独自のデータ辞書を使用する。それらの間のマッピング——「クロスウォーク」——には手動によるキュレーションと定期的なメンテナンスが必要だ。検査機関が新しい検査を追加したり基準範囲を変更したりすると、クロスウォークは壊れる。インターフェースは結果の取り込みを停止する。ワークフローは手作業に戻る。

第二の答えは経済性だ。単一のHL7検査室インターフェースの構築と維持には、マッピングの複雑さとベンダーのプロフェッショナルサービス料金に応じて、5,000ドルから30,000ドルの費用がかかる。Quest、LabCorp、地元の病院検査室、専門参照検査機関から結果を受け取る小規模診療所には4つのインターフェースが必要になる——年間メンテナンスを考慮する前の初期投資は40,000ドルから120,000ドルだ。2人の医師の診療所にとって、医療アシスタントが値を手入力するだけの業務に対して、これは正当化しにくい資本的支出である。

第三の答えは組織的なものだ。業界調査によると、医療データの約80%は非構造化されており、接続されていないシステムに存在している（業界調査による）。2009年のHITECH法はEHR導入を成功裏に促進したが、補助金を支給したシステム間の相互運用性を義務付けてはいなかった。20年後、Epicを実行する病院とeClinicalWorksを実行する専門医は、まるで別の惑星にいるかのようだ。スクリーンショットは技術の失敗ではない。それは、越境を確実に生き残る最小公分母のフォーマットなのだ。

手動ラベル入力がレポート1件あたりに実際にかけるコスト

一般的なラベルパネル（CBC＋鑑別、総合代謝パネル）には、約25の個別データポイントが含まれています。医療アシスタントは単に数字を入力するだけではありません。患者のカルテに移動し、ラベル入力モジュールを開き、各検査名を探し（多くの場合、タイプアヘッドのないドロップダウンから）、値を入力し、適切な単位を選択し、基準範囲を入力または確認し、異常値にフラグを立てます。CMSのSAFERガイド（検査結果報告用）では、紙ベースの結果は、最低限これらのコード化されたフィールドで入力する必要があると規定しています：検査結果名、検査結果値、単位、基準範囲、異常フラグ、日時。

レポート1件あたり10分。医療アシスタントの時給約28ドルを考慮すると、純粋な人件費はラベルパネル1件あたり4.67ドルです。小規模な2医師のプライマリケア診療所が月に80～120件の非統合ラベルレポートを受け取る場合、月額370～560ドル、年間4,400～6,700ドルを、収益を生まず臨床的価値もないタスクに費やしていることになります。

しかし、人件費は安い部分です。

転記ミスが高くつく部分です。2019年のポイントオブケア血糖値検査の研究では、ラベル値をEHRに再入力した際の手動転記エラー率は2.8%でした(PMC6351970)。ICU環境では、Blackらは検査結果の転記エラー率8.8%を報告しています（2013年）。各エラーは2つの結果のいずれかを引き起こします。どちらも悪い結果です。医療従事者が誤ったデータに基づいて行動するか、誰かがエラーを発見して値を再入力するかです。後者の場合、その単一データポイントの人件費が2倍になります。

専門診療所では、計算はさらに複雑になります。200人の透析患者を管理する腎臓内科診療所では、各患者に毎月のラベル検査（血清クレアチニン、BUN、eGFR、電解質、リン、PTH、ヘモグロビン、鉄代謝検査）が必要であり、月に約200件のラベルレポートを受け取ります。半分が外部施設からの非構造化文書として届く場合、非透析CKD患者や移植後フォローアップを考慮する前から、月に500件以上の個別データ入力タスクが発生します。その数字は誤差の範囲ではなくなり、人員配置の判断材料となります。

AIがラボのスクリーンショットをOCRと異なる方法で読み取る仕組み

従来のOCR（光学文字認識）は位置に基づいて動作します。画像内のピクセルパターンが文字のように見えるものをスキャンし、テキストに変換して、見つけたものをそのまま出力します。ラボレポートに「ナトリウム | 138 | 135-145 | mmol/L」とあれば、OCRは「ナトリウム | 138 | 135-145 | mmol/L」という文字列を返します。これは、138が値で、135-145が基準範囲で、mmol/Lが単位であるという理解のない、フラットなテキストブロックです。そのフラットなテキストから構造化データを取得するには、後処理（正規表現、ルールベースのパーサー、テンプレートマッチング）が必要です。そして、ラボがレポートのレイアウトを変更すると、テンプレートは機能しなくなります。これは頻繁に起こります。

AIによる意味抽出は、意味に基づいて動作します。モデルは固定位置のテキストを探す代わりに、人間と同じようにドキュメントを読み取ります。「化学パネル」「血液学」などのセクションを識別し、「結果」の下の値が「検査名」の下にリストされた検査に属することを理解し、数値の横にあるアスタリスクや「H」が「異常、高値」を意味することを認識します。これが位置ベース抽出と意味ベース抽出の核心的な違いです。前者はデータがどこにあるかを気にし、後者はデータが何を意味するかを気にします。

実用的な結果として、フォーマット非依存性が得られます。QuestのCBCレポートはあるレイアウトを使用します。LabCorpの同じパネルは別のレイアウトを使用します。病院ポータルのスクリーンショットはさらに別のレイアウトを使用します。OCRベースのシステムは、それぞれに個別の解析テンプレートが必要であり、それらのいずれかが変更された場合にはメンテナンスが必要です。セマンティックAIは、ヘモグロビンがどの列に表示され、どのフォントで印刷され、レポートヘッダーに「Quest Diagnostics」と書かれていようと「ARUP Laboratories」と書かれていようと、ヘモグロビンであることを理解することで、3つすべてを同じように読み取ります。

このアプローチは、テンプレートシステムを壊すエッジケースも処理します。病理医による手書きの注釈。各値の下に小さなフォントで印刷された基準範囲。PDF内で2ページにまたがる結果。これらは臨床ラボワークフローでは日常的に発生するものであり、それぞれが位置ベース抽出の障害点となりますが、セマンティックAIはカスタム設定なしで吸収します。

実践的なワークフロー：スクリーンショットからスプレッドシートへ1分以内

以下がステップごとのワークフローです。現在、医療アシスタントの午前中を費やしている手動での再入力作業を置き換えます。

複数の基準ラボで患者を管理している診療所にとって、バッチワークフローはプロセスの中で最も退屈な部分、つまり「マージステップ」を排除します。Questの結果を1つのスプレッドシートに、LabCorpの結果を別のスプレッドシートに抽出し、患者名やMRNで行を手動で揃える代わりに、単一のバッチアップロードですべてをまとめて処理します。AIはレポート間で患者識別子を照合します。異なるラボ形式の同じ名前は、すべての値が入力された1つの行になります。

このワークフローはHL7インターフェースを置き換えるものではありません。予算とITサポートがあって、診療所が使用するすべてのラボへのインターフェースを構築できるのであれば、構造化データフィードは常にゴールドスタンダードです。しかし、ギャップ、つまりインターフェースしないラボ、FAXで届くレポート、遠隔診療中にポータルから撮影されたスクリーンショットに対して、このワークフローは現在人間とキーボードを必要とする穴を埋めます。

HIPAAとAI抽出：重要なことと重要でないこと

患者の検査データをサードパーティツールに通す議論では、必ずHIPAAに触れる必要があります。医療保険の相互運用性と説明責任に関する法律（HIPAA）はAIに言及していません。この法律は現代の大規模言語モデルより数十年も前に制定されたものです。しかし、HIPAAセキュリティルール（45 CFR Part 164）は、保護対象医療情報（PHI）の処理に使用される技術に関係なく適用される要件を定めています。AIによる検査データ抽出で実際に重要な点は以下の通りです。

ビジネスアソシエイト契約（BAA）。 HIPAAでは、対象事業者に代わってPHIを作成、受信、維持、または送信するすべてのベンダーはBAAに署名する必要があります。これは、ベンダーを医療機関と同じプライバシーとセキュリティ基準に拘束する法的契約です。AI抽出ツールがPHIを処理する場合（患者識別子を含む検査結果は間違いなくPHIです）、BAAが必須です。これは譲歩できません。署名済みのBAAなしにPHIをサードパーティツールと共有することは、ベンダーの技術的セキュリティ対策に関係なく、HIPAA違反となります。

転送中および保存中の暗号化。 セキュリティルールでは、電子保護対象医療情報（ePHI）は転送中と保存中の両方で暗号化する必要があります。転送中のデータにはTLS 1.2以上、保存中のデータにはAES-256が必要です。ツールは、暗号化されていないボリュームにPHIを保存したり、暗号化されていない接続で送信したりしてはなりません。

モデルトレーニングのためのデータ保持ゼロ。 これはHIPAA制定時には存在しなかったAI固有の要件ですが、現在では最も重要な質問の一つです。多くのAIプラットフォーム（無料版ChatGPTなどの消費者向けツールを含む）は、モデル改善のためにプロンプトデータを保持します。ユーザー入力でトレーニングを行うツールにPHIを送信することは、単なるポリシーの問題ではなく、報告義務のある情報漏洩です。BAAでは、ベンダーがPHIをモデルトレーニングに使用することを明示的に禁止する必要があります。ベンダーのデータ保持ポリシーでは、提出された文書は処理後すぐに削除されること（30日間保存しない、ログに保持しない、モデル改善に使用しない）を明記する必要があります。

最小限必要基準。 HIPAAでは、特定の目的に対して開示されるPHIは必要最小限でなければなりません。検査データ抽出の場合、AIは完全な患者記録ではなく、文書画像のみを受け取るべきです。臨床ワークフローでは、抽出された値をEHRにコミットする前に正確性を確認する必要があります。

監査ログ。 HIPAAでは、対象事業者はPHIアクセスの監査証跡を維持する必要があります。AI抽出の場合、どのユーザーがいつどの文書を提出し、何が抽出されたかをログに記録することを意味します。ログは保存時に暗号化され、アクセス制御され、作成日から最低6年間保持されなければなりません。

重要ではないもの——「HIPAA準拠」というラベル。HIPAA認定製品というものは存在しません。米国保健福祉省はソフトウェアを認定していません。「HIPAA準拠」と主張するベンダーは、自社製品がHIPAA要件を満たすように設定できると信じているという意味であり、デフォルト設定が要件を満たしているという意味ではありません。重要なのは以下の点だけです：BAAに署名してくれるか？どのような暗号化を使用しているか？あなたのデータで学習するか？データはどこに、どのくらいの期間保存されるか？その他の主張はすべてマーケティングです。

検査レポートを超えて：AI医療データ抽出のより広い適用範囲

検査結果は最も量の多いユースケースですが、スクリーンショットからデータへのギャップが存在する文書タイプはそれだけではありません。診療所のEHRと連携していない画像センターからの放射線科レポート。直接のHL7フィードではなく患者ポータルを介して結果を送信する病院検査室からの病理レポート。異なる医療システムの病院からの退院サマリー。受信側の診療所が経時的に追跡する必要がある添付の検査値を含む紹介状。いずれの場合も、データは他の誰かのシステムではすでにデジタル化されていますが、あなたのシステムには画像として届きます。このパターンは患者側にも現れます：ポータルから取得した年次健康診断レポートのスクリーンショットは、数年間の結果を並べて比較しようとするときに人々が打ち直す文書です。

CBCをスクリーンショットから読み取るのと同じ意味的抽出アプローチで、退院サマリーから放射線科の所見も読み取れます。必要な列を定義すれば——「検査種別、部位、所見、推奨事項、担当医、日付」——AIは大幅に異なるレイアウトの文書全体から各情報を特定します。患者コホート全体の放射線科データと退院データを集計する場合、これにより手動での抽象化ステップが完全に不要になります。

これを現状と根本的に異なるものにしているのは、単なる速度ではありません。抽出が文書の形式に依存しないことです。Cernerの患者ポータルのスクリーンショットは、EpicのMyChartのスクリーンショットとは見た目が異なります。QuestのPDF検査レポートは、LabCorpのPDFとは異なるレイアウトを使用しています。しかしAIは気にしません——位置ではなく意味を読み取るからです。これが、単一の明確に定義されたパイプラインで機能するツールと、ほとんどの診療所が実際に直面する断片化された現実で機能するツールとの違いです。

すでに臨床文書化のためにAIを検討している診療所——診察記録用の環境音声入力による記録作成支援や、請求用の自動コーディングなど——にとって、検査データ抽出を自動化スタックに追加することは、臨床ワークフローに残る最も反復的な手作業を排除します。臨床的判断を置き換えるのではありません。結果が届いてから、提供者がそれを見て対応を決定できるまでの10分間のキーボード入力を置き換えるのです。

よくある質問

AI抽出は手書きの検査所見に対応できますか？

はい、一定の範囲内で可能です。AIは病理医の手書き追記や医師が丸で囲んだ異常値など、検査報告書上の手書きの値、メモ、チェックマークを認識できます。ただし、極端に筆記体や読みにくい手書きの場合は、印刷されたテキストよりも精度が低下します。抽出の信頼性は印刷された検査値で最も高く、手書き要素は確認工程でスポットチェックする必要があります。

これでHL7検査インターフェースは不要になりますか？

いいえ。構造化された検査データをEHRの離散フィールドに直接配信する適切に設定されたHL7インターフェースはゴールドスタンダードであり、大量の基準検査施設では引き続き目標とすべきです。AIスクリーンショット抽出は、統合できない、または統合されない検査や報告書（FAX、ポータルのスクリーンショット、紹介元医師からのPDF）のギャップを埋めるものです。「インターフェースを構築すべき」と「今日診る患者がいる」の間の橋渡しと考えてください。

検査報告書が英語以外の言語の場合はどうなりますか？

AIはあらゆる言語の報告書から数値の検査値を抽出できます。ナトリウム138 mmol/Lは、報告書の見出しが「Sodium」でも「Natrium」でも同じ数値です。他言語の検査名、単位、基準範囲も抽出されます。多言語対応の診療所や、米国と海外の両方の施設から検査結果を受け取る国境近くの診療所では、抽出前に翻訳する必要がなくなります。

異常フラグと基準範囲の抽出精度はどのくらいですか？

AIは異常フラグ（「H」「L」、アスタリスク、太字、色分け）と基準範囲を抽出の一部として取得します。臨床使用には、元の報告書と抽出されたスプレッドシートを照合する検証工程を推奨します。確認には報告書1件あたり30～60秒かかり、完全な手動入力の5～10分と比較して、時間節約効果を維持しながら臨床的な安全確認を追加します。

STATラボ結果に使用できますか？

STAT結果は、到着したチャネル（通常はラボからの電話やEHRのプッシュ通知）を通じて即座に対応する必要があります。AI抽出には5～10秒の処理時間がかかりますが、これはルーチンおよび緊急結果には十分な速さですが、即時の臨床対応が必要な重大な値を受け取るための唯一のメカニズムとしては使用すべきではありません。臨床判断が下された後、データを構造化された形式にするために使用してください。

最終更新日: 2026年6月23日