対象読者: 臨床工学技士・医療従事者で、業務中に「この情報、本当に信頼できるのか？」と感じたことがある方。情報リテラシーの体系的な整理や、実務研修のネタを探している方にも。
読了時間: 約20分
はじめに
「透析の医療費ってどれくらい？」——スマホで検索した結果をそのままスライドに貼り付けていた。出典は個人ブログ。更新日の記載もない。
医療の現場では、こういう場面が意外と多い。忙しい日常の中で「とりあえず検索して上に出てきた情報を使う」のは自然な行動だが、医療情報は患者の安全に直結する。その信頼性を見極める力——情報リテラシー——は、すべての医療従事者にとって必須スキルだ。
本記事では、情報リテラシーの基本フレームワークから、CRAAPテストによる実践的な評価方法、そしてデジタルデータの仕組みまでを一本の線でつないで整理する。身近な場面から出発して、実務レベルの判断基準まで、段階的に掘り下げていく。
【イントロダクション】情報リテラシーを「自分ごと」にする
本格的な議論に入る前に、情報リテラシーの核心をひとつの場面で捉えておこう。
想像してみてほしい。友達から「ラーメン屋の〇〇が美味しいらしいよ」と聞いた。でも、その友達が本当にそこに行ったことがあるのか？それとも誰かから聞いただけなのか？もし「聞きました」だけなら、情報の信頼性は落ちる。反対に「昨日食べてきた」なら、その友達の言葉は信頼できる。
情報リテラシーというのは、まさにこれだ。 「その情報は誰が、どこから手に入れたのか」「本当に確かなのか」を見抜く力のことである。
医療の世界では、この「見抜く力」の重要性がさらに高い。なぜなら、間違った情報を信じて患者さんに説明してしまうと、患者さんの健康や安心につながらないからだ。だから医療従事者には、情報の「本物」と「ニセモノ」を見分ける責任がある。
この記事では、その見分け方の「コツ」を、一段一段、わかりやすく説明していく。
情報リテラシーとは何か — 4つの柱の整理
情報リテラシーとは、情報を適切に収集・評価・活用・発信する能力のことだ。重要なのは、これは単なる「知識量」ではなく、「情報をどう扱うか」というプロセス全体を指すということである。
情報リテラシーの4つの柱（「記憶」は含まれない）
情報リテラシーの4つの柱:
① 収集 — 必要な情報を効率的に探す
② 評価 — 信頼性・正確性を判断する
③ 活用 — 目的に合わせて使いこなす
④ 発信 — 正しく伝える
注意すべき点は、「記憶」や「暗記」は含まれないということだ。医療の世界では「この事実を暗記している」よりも「その事実をどうやって確認し、どう判断し、正しく伝えられるか」の方が圧倒的に重要である。知識は常に更新される。だからこそ「情報をどう扱うか」というプロセスが本質なのだ。
各段階の具体的な意味
① 収集（Collection） では、単に「情報を探す」のではなく、「自分の目的に必要な情報を、効率よく見つけ出す」ことを指す。医療情報の場合、医学中央雑誌やPubMedなどの専門データベースの使い方、検索キーワードの選択、複数の情報源を平行して探すスキルが該当する。
② 評価（Evaluation） は、見つけた情報の信頼性・正確性を判断するステップである。ここが最も時間がかかり、かつ最も重要な部分だ。CRAAPテスト（後述）を使って、「この情報は本当に信頼できるのか」を多角的に検討する。
③ 活用（Application） では、評価した情報を自分の業務・判断に組み込む。患者教育の資料に使う、診療ガイドラインの参照値として引用する、学会発表のエビデンスとして採用するなど、目的に応じた実装を指す。
④ 発信（Communication） は、その情報を他者に正確に伝える段階である。出典を明記する、データの文脈を損なわない、最新版を使う、というように、受け手が信頼できる形で伝達することが求められる。
実務での流れ例
実務で考えると、たとえば学会発表の準備がわかりやすい。テーマに関する論文や資料を収集し、エビデンスレベルや著者の権威性を評価し、自分の主張を裏付けるデータとして活用し、スライドやポスターで発信する。この一連の流れそのものが情報リテラシーの実践だ。
また、患者さんからの問い合わせに答える場面でも同じ。不安そうな質問を受けたら、その質問に答える信頼できる情報源を探し（収集）、その情報の新しさや出典を確認し（評価）、患者さんの状況に合わせて説明し（活用）、わかりやすく伝える（発信）。この4つのプロセスが、医療現場での信頼構築につながるのだ。
CRAAPテスト — 情報の信頼性を5つの軸で評価する
では、「評価」のステップを具体的にどう行うか。国際的に使われているフレームワークがCRAAPテストだ。これはカリフォルニア州立大学が開発した、情報の信頼性を系統的に判断するための枠組みである。
| 基準 | 英語 | チェックポイント | 現場での判断例 |
|---|---|---|---|
| 最新性 | Currency | いつ公開・更新されたか？ | 2018年のガイドラインが最新版か確認する |
| 関連性 | Relevance | 自分の目的に合っているか？ | 看護師向け記事をCE業務にそのまま適用していないか |
| 権威性 | Authority | 著者・機関は信頼できるか？ | 学会・厚労省の発信か、匿名ブログか |
| 正確性 | Accuracy | データや根拠はあるか？ | 「〇〇研究(2023)によると」vs「〜らしい」 |
| 目的 | Purpose | なぜこの情報が発信されたか？ | 教育目的か、サプリ販売の誘導か |
各基準の詳細説明
Currency（最新性） は、情報がいつ発表・更新されたかを確認する。医療情報は日々更新される。5年前のガイドラインと最新ガイドラインでは推奨内容が異なることも珍しくない。論文の発表年、Webサイトの更新日、ガイドラインのバージョンを必ず確認する習慣が大切だ。
Relevance（関連性） は、自分の目的に本当に合致しているかを見る。たとえば、人工透析の医療費について調べているのに、看護師向けの倫理討議の記事を引用しても関連性がない。同じ「医療」という大カテゴリでも、特定の職種や文脈に合った情報を選別する必要がある。
Authority（権威性） は、誰が、どんな機関を背景に、その情報を発信しているのかを確認することだ。著者の肩書、所属機関、学位、職歴などが情報源として適切か判断する。学会や政府機関の公式発表か、それとも根拠不明の個人ブログか。医学における権威性は、その発言者や機関がどれだけ専門的な背景を持つかで決まる。無名の個人より、学位を持つ専門家、さらには学会や厚生労働省といった権威的機関の方が一般的に信頼性が高い。
Accuracy（正確性） は、その情報が具体的なデータやエビデンスに基づいているかを見る。「〜らしい」「〜だと言われている」という曖昧な表現ではなく、「2023年の〇〇研究によると」「統計データでは」といった根拠が明記されているか。グラフ、表、具体的な数値、引用文献の列挙などがあれば、正確性が高い。
Purpose（目的） は、その情報が「なぜ発信されたのか」という動機を探ることだ。教育目的で中立的に書かれているのか、それとも商品販売に誘導することが目的か。寄付金や広告収入に依存していないか。発信者の背景にある利益関係を意識することは、情報の信頼性を判断する上で重要だ。
混同しやすいポイント: AuthorityとAccuracy
この2つはどちらも「A」で始まるため、実務の中で混同しやすい。ここで整理を入れておこう。
- Authority（権威性） = 「誰が言っているか」。著者や発信元の社会的・職業的な信頼性・立場を見る。例：医学部教授 > 医師 > 民間人
- Accuracy（正確性） = 「何を根拠に言っているか」。述べられている内容自体がデータやエビデンスに支えられているかを見る。例：引用文献あり > 具体的な統計データあり > 根拠不明
たとえば、有名な医学部教授（Authority高）が「この治療法は素晴らしい」と個人的見解を述べている場合、AuthorityはOKでもAccuracyは不十分である。逆に、まだあまり有名でない若い研究者でも、査読済み学術論文の統計データに基づいて主張を展開していれば、Accuracyは高い。両軸から独立して評価することが、正確な情報判断につながるのだ。
情報源の優先順位 — 一次情報を起点に考える
医療従事者として情報を選ぶとき、一次情報を最優先にするのが鉄則だ。
信頼性の階層:
★★★ 一次情報: 学術論文、政府統計、公式ガイドライン
★★☆ 二次情報: 教科書、レビュー論文、専門家の解説
★☆☆ 三次情報: ニュース記事、まとめサイト
☆☆☆ 要注意: 個人ブログ、SNS投稿、匿名掲示板
一次情報とは何か
一次情報とは、研究者や機関が直接実施・収集した最も新しい情報のことだ。医療の文脈では以下が該当する：
- 査読付き学術論文：最も信頼性が高い情報源である。査読とは、論文が学術誌に掲載される前に、その分野の複数の専門家によって内容や方法論が厳密に検証されるプロセスだ。不正や誤りが多く存在したり、方法論が不適切だったりすれば、査読段階で却下される。つまり、査読済みの論文は、複数の専門家のお墨付きを得た情報であり、医療情報の中で最も信頼できる根拠である。
- 政府統計データ：厚生労働省などが公式に発表した統計データ。医療費の動向、疾病統計、死因統計など、大規模で公的な根拠がある。
- 公式ガイドライン：学会や政府が発表した診療ガイドラインや指針。複数の専門家によって編集され、定期的に更新される。
二次情報と三次情報の役割
二次情報（教科書、レビュー論文、専門家の解説）は、一次情報をまとめたものだ。入門段階で概要をつかむには最適だが、最新情報を反映しているか、著者の解釈に偏りがないかを確認する必要がある。
三次情報（ニュース記事、まとめサイト）は、さらに一次・二次情報を簡潔にした形だ。一般向けにはわかりやすいが、専門的な正確性が落ちることもある。「記事で見かけた」という理由だけで医療判断に用いるべきではない。
実務的な「裏取り」のアプローチ
ここで重要なのは、三次情報を「読むな」ではなく、「そこで終わるな」ということだ。
実務的には、こうやって使い分ける：
- ニュース記事やまとめで概要をつかむ —「今こういう話題があるのか」という入り口として機能する
- 記事内の引用元を確認する — 「〇〇研究によると」と書いてあれば、その研究の原著論文を探す
- PubMedで原著論文にアクセス — その研究の詳細な方法論、結果、制限事項を自分の目で確認する
- 複数の論文・ガイドラインを参照 — 一つの論文だけでなく、同テーマの複数の情報源を比較検討する
このひと手間が、医療情報の質を決定的に変える。厚労省の統計データを直接参照する、医学中央雑誌やPubMedで専門用語を含めた検索を行う——こうした地道な作業が、信頼できる情報判断の基礎となるのだ。
実践: CRAAPテストで比較してみる
冒頭の場面に戻ろう。後輩が「透析の医療費」を調べている。以下の2つの情報源が手元にある。
情報A: 「人工透析は月に〇〇万円かかります」— 個人の医療ブログ（更新日不明、著者名も不明瞭）
情報B: 「令和4年度 医療費の動向」— 厚生労働省（2023年公開、公式統計データ）
CRAAPテストの5項目で比較してみよう。
| 基準 | 情報A（個人ブログ） | 情報B（厚生労働省） |
|---|---|---|
| Currency（最新性） | ❌ 更新日不明、古い可能性が高い | ✅ 2023年公開、定期更新される |
| Relevance（関連性） | △ 一般向けで業務判断に不十分 | ✅ 医療政策・実務向けの詳細データ |
| Authority（権威性） | ❌ 匿名著者、医療資格の記載なし | ✅ 政府機関、国家統計の権威性あり |
| Accuracy（正確性） | ❌ 根拠なし、「〜らしい」表現、出典なし | ✅ 詳細な統計データ、計算根拠明記 |
| Purpose（目的） | ⚠️ 医療相談ビジネスか広告収入か、不透明 | ✅ 公益目的、国民への情報提供 |
情報Bが圧倒的に信頼性が高い。情報Aはリサーチの起点として「どんな疑問があるのか」を知るには使えるが、数値を引用したり、患者さんに説明したり、実務判断に用いるなら、必ず一次情報（この場合は厚労省の公式統計）を直接参照すべきである。
評価の先にあるもの — 活用と発信の重要性
ここで重要な認識転換がある。情報の質を判断しただけでは、情報リテラシーの仕事は終わらない。 評価したら、その情報を正しく活用し、正しく発信することまでが、全体のプロセスなのだ。
① 収集 ← 複数の情報源を探す
② 評価 ← CRAAPテストで判定
③ 活用 ← 信頼できる情報を業務判断やプレゼンに活かす ← ここからが同じくらい大事
④ 発信 ← レポートや研修会で正確に引用・共有する ← ここからが同じくらい大事
活用の段階では、評価した情報を、自分の文脈に合わせて使う。患者さんへの説明資料に含める際は、わかりやすく工夫する。学会発表で引用する際は、その研究の制限事項も含めて述べる。医療現場の判断で用いるなら、複数の情報源を総合的に判断する。単に「信頼できる情報」を見つけるだけでなく、その情報を「どう使うか」を慎重に検討する必要があるのだ。
発信の段階では、さらに重い責任が生まれる。出典を明記する、データの文脈を歪めない、引用年を間違えない、最新版かどうか確認する——日常業務の中でこれらを意識するだけで、チームや患者さんに与える情報の質が劇的に変わる。患者さんが医療判断を迫られる場面で、不正確な情報が伝わるリスクはどれほど大きいか、想像してみてほしい。
情報の裏側 — すべては「デジタルデータ」になる
ここまで「情報をどう評価するか」を見てきた。ここからは少し視点を変えて、その情報がコンピュータの中でどう扱われているかを理解しよう。
なぜこれが必要かというと、現代の医療情報はほぼすべてデジタルデータとして保存・検索・共有されるからだ。
あなたが評価した情報
↓ デジタル化
電子カルテに記録 / PubMedで検索 / AIに質問
↓ 内部処理
コンピュータが 0 と 1 で処理
電子カルテ、PACS（医用画像管理）、オンラインの論文データベース——これらはすべて、内部では「0と1の列」として処理されている。情報の評価者であると同時に、情報基盤の仕組みを理解していることは、たとえばシステム障害時の状況把握や、ベンダーとのコミュニケーションにも役立つ。
コンピュータの基礎 — デジタル世界の原理を知る
情報リテラシーの最後の柱は、情報がコンピュータの内部でどう扱われるのかを理解することだ。電子カルテ、医用画像管理（PACS）、オンライン論文データベース——医療現場で扱う情報はすべてデジタルデータ化されている。その基盤的な仕組みを知ることで、情報がどのように保存・検索・共有されるのか、そしてどこに脆弱性があるのかが見えてくる。
なぜ2進数なのか — コンピュータの本質
コンピュータは、根本的には電気のON/OFFで動いている。電圧が供給されている状態を「1」、供給されていない状態を「0」として表現することで、すべての情報は0と1の組み合わせ（= 2進数）で表される。
電圧あり → 1 電圧なし → 0
文字「A」も、CT画像の1ピクセルも、患者IDも、
さらには医学論文の全文も、
すべてコンピュータ内部では 0 と 1 の列で表現される
この0と1の列を**ビット（bit）**と呼び、8ビムでセット（Byte）となる。1文字の英数字が1バイト、高画質な医用画像が数メガバイトといった単位で、デジタル世界のデータは構成されている。
進数変換の実際 — 2進数から10進数へ
では、具体的に2進数と10進数の変換がどのように行われるか、実例で見ていこう。
2進数を10進数に変換する場合、各桁に2の累乗を掛けて、すべて合計する。
2進数 1101 を10進数に変換する場合:
位置: 3 2 1 0 （2の何乗か）
桁: 1 1 0 1
計算: 1×2³ + 1×2² + 0×2¹ + 1×2⁰
= 1×8 + 1×4 + 0×2 + 1×1
= 8 + 4 + 0 + 1
= 13（10進数）
つまり、2進数の「1101」は10進数の「13」に相当する。医療機器やシステムのログに「1101」という表記を見かけたら、それは10進数では「13」を意味しているのだ。
逆に10進数を2進数に変換する場合は、2で割り続けて余りを下から読む。
10進数 25 を2進数に変換する場合:
25 ÷ 2 = 12 余り 1 ↑
12 ÷ 2 = 6 余り 0 ↑ 下から読む
6 ÷ 2 = 3 余り 0 ↑
3 ÷ 2 = 1 余り 1 ↑
1 ÷ 2 = 0 余り 1 ↑
下から読むと: 11001
つまり 10進数の「25」は2進数の「11001」に相当する
この変換の理解は、コンピュータとの対話、特にシステム障害時のログ解析やファームウェアの更新時に役立つ知識である。
16進数 — 長い2進数を人間が読める形に圧縮
2進数は直感的には理解しやすいが、桁数が多くなると非常に読みづらくなる。たとえば、患者IDやシステムログで「11111111」と延々と続く表記は、実務的には使いにくい。そこで登場するのが**16進数（hexadecimal）**だ。
16進数は0～9とA～Fの16個の数字を使う。この利点は、2進数を4桁ごとに1文字で表現できることである。
2進数（8桁） → 16進数（2桁） → 10進数
1111 1111 → F F = 255
0011 1111 → 3 F = 63
1010 0101 → A 5 = 165
例えば、「3F」という16進数表記を見かけたら：
16進数「3F」を10進数に変換する:
3 = 3 × 16¹ = 48
F = 15 × 16⁰ = 15
合計: 48 + 15 = 63（10進数）
つまり16進数の「3F」は10進数の「63」に相当する
電子カルテのシステムログやネットワーク通信のダンプを見ると、16進数表記がよく現れる。医用機器のエラーコードも16進数で記載されることがある。この知識があると、トラブルシューティング時にベンダーサポートとの意思疎通がスムーズになる。
ASCIIコード — 文字と数値の対応規則
コンピュータ内部では、文字もまた数値で表現される。文字と数値を対応させるための標準規則が**ASCIIコード（American Standard Code for Information Interchange）**だ。
文字 16進数 10進数 文字 16進数 10進数
A → 41 → 65 H → 48 → 72
B → 42 → 66 I → 49 → 73
C → 43 → 67 J → 4A → 74
D → 44 → 68 M → 4D → 77
...
ここで重要な観察は、連続する文字は連続する数値を持つということだ。「H」がASCIIコードで0x48（16進数）なら、「M」は「H」から5文字先なので、0x48 + 5 = 0x4Dである。具体的に計算してみると：
H = 0x48 = 4×16¹ + 8×16⁰ = 64 + 8 = 72（10進数）
M = 0x4D = 4×16¹ + 13×16⁰ = 64 + 13 = 77（10進数）
H から M までの差分: 77 - 72 = 5
つまり H と M の間には I, J, K, L の4文字がある（5は増分）
この規則性は、単なる数学的な興味ではなく、実務的にも重要だ。医療機器やシステムのエラーコード、ネットワーク通信ログ、ファイルシステムのダンプなどを読むとき、ASCIIコードの仕組みを理解していると、データの意味が素早く把握できる。また、データベースや通信プロトコルの不具合が「文字化け」として現れるのも、このASCIIコードの処理が正しく行われなかったためなのだ。
情報量の単位と医療現場での実際
デジタルデータの「大きさ」を表現するために、段階的な単位体系が使われる。各段階は1,024倍の関係で進む。
| 単位 | 大きさ | 医療現場でのイメージ |
|---|---|---|
| 1ビット（bit） | 0 か 1 | ON/OFF ひとつ |
| 1バイト（Byte） | 8ビット | 半角英数字1文字 |
| 1KB | 1,024バイト | メール本文1通程度 |
| 1MB | 1,024KB | 高画質写真1枚程度 |
| 1GB | 1,024MB | 動画30分程度 / CT画像検査1件分 |
| 1TB | 1,024GB | 電子カルテの長期保存 / 大規模医療機関の年間データ |
医療現場でこれが実際にどの程度のボリュームになるか、具体例で考えてみよう。
CT画像は1スライス（1枚）あたり約0.5MBである。1回のCT検査で頭部、胸部、腹部などを詳しく撮影すると数百スライスに達する。つまり、1患者1回のCT検査だけで数百MB、つまりGB単位のデータが生成される。年間数千人の患者がCT検査を受ける医療機関では、PACS（医用画像管理システム）にTB単位、さらには複数TBのストレージ容量が必要になる理由はここにある。
また、電子カルテシステムは、患者ごとの診療記録、検査結果、画像、診断報告書などを保存する。5年10年と蓄積されると、医療機関全体のデータ量は膨大になる。これらのデータの定期的なバックアップや、クラウドサービスへの連携を考えると、医療情報システムのインフラ整備がいかに重要かが理解できるはずだ。
デジタルデータの保護と医療従事者の責任
ここまで、情報リテラシーとデジタルデータの基礎を見てきた。最後に、実務的な視点を付け加えておきたい。
デジタル化された医療情報は、検索や共有が便利になった一方で、サイバーセキュリティのリスクにも晒されている。患者情報の漏洩、システムのランサムウェア被害、不正アクセスなど、医療機関が直面する脅威は日々高度化している。
医療従事者は、単に「情報を正しく評価する」だけでなく、「その情報をどう保護するか」についても意識を持つべきである。パスワードの管理、ログイン情報の共有を避ける、不審なメール・ファイルへの警戒、医療情報を持ち出す場合の暗号化——こうした一つ一つの行動が、患者さんの情報を守ることにつながるのだ。
まとめ — 情報リテラシーを日常に組み込む
本記事では、情報リテラシーの全体像を、身近な場面から出発して実務レベルの判断基準、さらにはデジタルデータの仕組みまで、段階的に整理してきた。
情報リテラシーの4つの柱：
- 収集：複数の情報源から、目的に合った情報を探す
- 評価：CRAAPテストで、その情報の信頼性を多角的に判定する
- 活用：評価した情報を、自分の文脈に合わせて使いこなす
- 発信：その情報を、正確かつ責任を持って他者に伝える
医療の現場では「この情報、本当に信頼できるのか？」という問い自体が、すでに情報リテラシーの実践の第一歩である。一度立ち止まって複数の情報源を比較し、CRAAPテストの5つの軸から判定する。そして、評価したら終わりではなく、その情報をどう活用し、どう発信するかまで責任を持つ。この習慣が、患者安全にもチームの信頼にもつながるのだ。
また、デジタルデータの基礎知識——2進数、16進数、ASCIIコードといった仕組み——を理解することで、電子カルテやPACS、その他の医療情報システムが「どのように情報を処理しているのか」が見える。そして、見えれば、その弱点や脆弱性にも気づきやすくなる。情報セキュリティへの意識も、結果として高まるのだ。
医療従事者として、忙しい日常の中で「この情報、根拠は何だろう？」と一度立ち止まる習慣。その習慣こそが、患者さんとチーム全体の信頼を積み重ねていく。
次のステップ
本記事では、情報評価の「基本」に焦点を当てた。次の課題は、AI時代における新たな脅威——生成AIが生成する情報の落とし穴——である。ChatGPTなどの大規模言語モデルが、自信たっぷりに述べるが、実は根拠のない「ハルシネーション（幻想）」が、どのように医療現場で悪用されるリスクがあるのか。次の記事では、AIが生成する情報をいかに評価するか、医療従事者が知るべき視点を掘り下げていく。
参考資料
- 厚生労働省 — 医療情報
- PubMed — 医学論文データベース
- California State University — CRAAP Test (Original)