タイトルからみても分かるように、プログラミングのCodeから、ベッド、つまり現場をもっと見ていきましょう的なニューアンスですね。キーワードは、AIと人間といった感じですね。

スタンフォード大学のメディカルdepartmentのヘルスケアのAIリサーチチームの２０２１年の論文です。最新のスタンフォード大学でさえも、このような問題が存在すること、それらを、デザイン思考のアプローチを使いながら解決していくプロセスを見ていきましょう。途中で、解説を入れていきます（コグニロボ社の解説）ので。。あくまでも、実務や実社会に貢献できるかという視点で読み取っていきます。この論文は、ヘルスケア・メディカルな領域ですが、他の領域で活かせる共通する部分も多々あると思います。

それでは、論文を読んでいきましょう。（ここから）

AIによるヘルスケアの強化・改善への関心が高まっているにもかかわらず、新しいAIモデルの開発は、既存のヘルスケアプロセスへの導入を上回るペースで進んでいる。

現在のアプローチでは、AIモデルの開発と、それが機能することを意図した複雑なヘルスケア環境とが分離されているため、統合は困難である。その結果、明確で説得力のあるユースケースなしに開発されたモデルは、臨床環境でテストされず、拡張もできない。

こういうことって、ついつい、実務、現場では起きてしまう。なんとなくではないけれど、進めてしまうことは多いのではないでしょうか？　（コグニロボ社の解説）

本論文では、現在のアプローチや従来の研究手法では、ヘルスケア分野へのAI導入を成功させることができないことを提案し、AI技術を人間主導のヘルスケアプロセスに導入するための反復可能な混合手法のアプローチを、いくつかの事例とともに紹介する。従来の研究とは異なり、これらの手法ではばらつきをコントロールしようとするのではなく、ユーザー中心のデザイン技術と相まって、技術が実際にどのように機能するかを学ぶためにばらつきを理解します。デザイン思考と品質向上の手法を融合させたこのアプローチは、ヘルスケアにおけるAIの導入を促進し、どの手法がAIの導入に最も成功するかを理解するためのさらなる研究を促すことを目的とする。

AIはあくまでも手段である。使いようによっては、AIは絶大が解決力ある。しかし、AIと一言で言い表せないほど色々な種類があり、それについて理解できる人は、相応の教育や経験を積んだ人でないと難しい。数々あるAIと、人間側が実現させたいことをどのように繋ぐことができるのかといったデザイン（設計や企画を含める）が必要だと思いますね。現在、ある製造業向けプロジェクトを推進しております。関心ある方は、ご連絡下さい。（コグニロボ社の解説）

シニアリーダーにAIの導入を頓挫させる要因は何かと尋ねたところ、主に挙げられたのは、既存の人間のプロセスとの統合の難しさでした。現在のアプローチでは、AIソリューションの開発と、それが機能することを意図した複雑なヘルスケア環境とが切り離されているため、統合は困難である。

本論文では、人間主導のヘルスケアプロセスへのAI技術の導入を促進する、反復可能な混合手法のアプローチの概要を示す。このアプローチは、品質改善（QI）やデザイン思考の手法やテクニックを利用している。従来の研究とは異なり、これらの手法では、変動をコントロールするのではなく、技術が実際にどのように機能するかを学ぶために、変動を理解し、それに対処することを目的としている。それに比べて研究手法は、どこでどのように実施されるかに関係なく、コントロールされたシステムに影響を与える介入の能力を分離して証明することを目的としている。

AI技術の場合、その有効性を証明するには、与えられたシステムのデータとその実装方法に完全に依存します。この記事で紹介するアプローチは、AIモデルの開発に先立って行う作業と、モデルの開発と並行して行う作業の2つに大別される。

まずは、ヘルスケアにAIを導入するためのメソッドを見ていきましょう。このあたり、AI導入にあたって、比べてみてください。意外と当たり前のことができていないかもしれません。AI実装のプロセス文字化にされていることが重要（コグニロボ社の解説）

第１部 AIモデル開発に先立つ活動
＜タスクまたはコンセプト＞
問題の特定と明確化
＜重要な活動＞
•問題を定義し、なぜそれが患者、医療従事者、医療システムにとって重要なのかを明らかにする。
•組織の優先事項や構成要素との明確な関連性を確保する
＜AIとの関連性＞
•AI機能の潜在的なユースケースを最初から明確にする
•開発・導入時には、組織的にリソースを確保し、サポートする。

＜タスクまたはコンセプト＞
チームの形成
＜重要な活動＞
•スポンサー、プロジェクトマネージャー、プロセスオーナー、エンドユーザー、関連する主題専門家の特定
•プロジェクト成功のための説明責任と責任の決定
＜AIとの関連性＞
•最も効果的な設計と実装のためには、スポンサーシップやプロジェクトチームの構成など、最初から技術的および運用的な観点を代表するチームである必要がある
•アカウンタビリティ（＝イエス・ノーの権限と拒否権）はオペレーションの中にあるべき

＜タスクまたはコンセプト＞
現行のシステムを分析し、成功のための重要な機能を決定
＜重要な活動＞
•現行のプロセスを観察してマップ化し、問題点を特定し、根本原因を分析して優先順位をつける
•優先順位付けされた根本原因のリストから、成功のための重要な特徴を明確にする
＜AIとの関連性＞
•AI技術がいつ、どのように問題解決に役立つかの判断を支援する
•様々なエンドユーザーが考えるAIのユースケースに焦点を当てる
•ワークフロー設計の可能性を広げ、AI導入を成功させる可能性を高める

＜タスクまたはコンセプト＞
AIの有用性を評価
＜重要な活動＞
•AIが、最後のフェーズで得られる成功のための主要な機能のいずれかに対応できるかどうかを判断する
•コストの考慮
-モデル構築のためのコスト
-モデルバイアスの可能性
-モデルの継続的なメンテナンスの必要性
＜AIとの関連性＞
•AIが必要な場合と、AI以外のソリューションが優れている場合を識別する
•技術リソースの活用を促進する
•コストやフィージビリティに関連するダウンストリームのサプライズを軽減する

第２部 AIモデル開発と同時進行して行われる活動
＜タスクまたはコンセプト＞
成功のための重要な機能を考案し、臨床統合ワークフローを開発
＜重要な活動＞
•創造性を刺激するレンズやエクストリームなどのデザイン思考の手法を用いて、未来の状態のプロセスマッピングセッションを行う。
•プロトタイプを開発し、シミュレーションで実際のシナリオを使ってボディストームセッションを行う
＜AIとの関連性＞
•実現可能性、受容性、効率性、有効性のバランスのとれた臨床統合ワークフロー設計とAI提供設計を確実に行う。
•デザインシミュレーションにより、臨床統合ワークフローやAIモデルの受け入れ可能性を迅速に検証可能

＜タスクまたはコンセプト＞
計画、実行、調査、調整（PDSA）
＜重要な活動＞
•フルに介入した（モデルとワークフロー）の反復的（イテレーション的）なライブ・クリニカル・テストを組織し、実行する。
•十分な反復（イテレーション）、学習、成功の後、チームはより広範な実施と評価を計画することができる
＜AIとの関連性＞
•技術チームと運用チームが、ばらつきの多い通常の臨床現場で、モデルとワークフローを観察、評価、調整することができる
•UTAUT（Unified Theory of Acceptance and Use of Technology：技術の受容と使用に関する統一理論）などの手法やフレームワークを使用することで、データに基づいた反復的なインターベンション（モデルとワークフロー）の設計が可能になる

【用語の定義とチームメンバーの役割】
・プロセスマッピング
プロセスをより深く理解し、改善の機会を見出すために描かれた、プロセスのステップの図解（グラフィカル）の作成

・根本原因の分析
広範囲な原因を説明するための総称。プロセスにおける問題の原因を明らかにするために使用される、さまざまなアプローチ、ツール、およびテクニック

・優先順位決定マトリックス
あらかじめ設定された重みのある基準を用いて、問題やアイデアのリストを評価し、優先順位をつける

・ボトルネック
高い性能やスループットの実現からシステムを制限するもの

・レンズの適用
キーとなるデザイン原則を捉えたレンズを通して、問題となっているデザインを見て、デザインの演習を評価する

・ボディーストーミング
物理的に体験してもらう技術と新しいアイデアを導き出すためのプロセスのテスト　

・デザインシミュレーション
正式なプロセスや製品を発売する前に、潜在的なユーザーと一緒に設計仕様をテストするためのシナリオの物理的または論理的な表現の作成

・プロトタイピング
デジタル、フィジカル、または体験型の人工物の開発の繰り返し　質的または量的なフィードバックを得ることを目的とする

【チームメンバーの役割】
・クリニカルスポンサーまたはオペレーショナルスポンサー
プロジェクトのすべてのプロジェクトに関連する一連の重要な側面に総合的な責任を持つ個人（ディレクターまたはエグゼクティブ）で、通常はプロジェクトの開始、確保、承認、確立に責任を負う。

・テクニカルスポンサー
プロジェクトの技術的側面に責任を持つ個人（多くの場合、マネージャーやの責任を負うエグゼクティブ）

・プロジェクトマネージャー
プロジェクトの開始、計画、設計、実行、監視、制御、終了を成功させるための責任を委ねられた個人

・プロセスオーナー
指定された要件を満たすプロセスや、目的を達成することを確実にするための責任や権限を持つ個人

・エンドユーザー
現在のシステムに参加し、デザインの最終成果物に基づいて行動する可能性が高い個人（多くの場合、直接オーナーに報告される）　　

・クリニカル・サブジェクト・マター・エキスパート
専門的な、または、あるプロジェクトに関連する臨床業務、タスク、作業を行う上で、高度な専門性を有する個人

・テクニカル・サブジェクト・マター・エキスパート
専門的な、または、あるプロジェクトに関連する臨床業務、タスク、作業を行う上で、高度な専門性を有する個人

第１部 AIモデル開発に先立つ活動
問題の定義
AIモデルを検討・開発する前の重要な第一歩は、問題を明確にし、それが患者、医療従事者、医療システムにとってなぜ重要なのかを明確にすることである。QI（品質の改善）の方法論はすべて、測定可能な問題を特定し、表現することから始まる。例えば、「医学的に必要とされる以上の入院期間」や「高い感染率」などである。「問題を中心にプロジェクトを進めることで、真のニーズに応える技術やワークフローを開発することができまる。この段階では、すでにAIによるソリューションが考えられているかもしれないが、まずは解決しようとしている問題を明確に定義することが重要である。その問題は、組織が優先順位をつけてパフォーマンスを測定するために使用している構成要素（例えば、四重の目標、五重の目標、または価値の枠組み）に関連する重要な結果にリンクしている必要がある。アライメント（連携・協力）は、適切なリーダーシップのサポートとリソースの確保に役立つ。

チームの結成

AI導入プロジェクトチームには、スポンサー（技術・臨床）、プロジェクトマネージャー、プロセスオーナー、エンドユーザー、サブジェクト・マター・エキスパート（技術・臨床）という5つの主な役割が必要である。技術的に成功したAIモデルの多くが実装されないのは、モデルが開発されるまでプロセスオーナーやエンドユーザーが関与せず、運用チームや臨床チームが設計に情報を提供できないためである。AIプロジェクトにおいて重要なことは、テクニカルスポンサーとサブジェクト・マター・エキスパートは、プロジェクト全体の重要な部分を完成させる責任があるが、プロジェクトの説明責任を負うべきではないということである。最終的に結果に責任を持つのは臨床チームや運用チームであり、したがって「イエス」か「ノー」の権限を持っているため、説明責任は臨床チームや運用チームにあるべきである。責任とカウント可能性の割り当てはしばしば見落とされ、重要な決定を下す必要があるときに混乱を招くことがある。

現行のシステムを分析し、成功の鍵となる機能を決定する

モデルとワークフローの設計が現実に根ざしていることを確認するために、チームは現行システムの分析を行う必要がある。これには、プロセスマッピング、問題の特定、根本原因の分析、および優先順位付けが含まれる。チームは、まずステップで明確にした問題に関連する現在のプロセスを観察し、マッピングする現在のプロセスの流れを可視化1.することで、チームは非効率性、変動性、ボトルネックを特定することができる。現在のプロセスを視覚化することで、チームは障害を特定し、問題の原因となっている課題についてコンセンサスを得ることができる。また、現在の技術やツール、組織、物理的環境、タスク、職業や社会的規範に関する課題をブレインストーミングし、これらの課題の影響度や頻度について優先順位をつけることができる。

現状分析における各実施は、技術チームのメンバーを含むグループで行い、分析の各側面を付箋紙やフリップチャート、またはオンラインのコラボレーションプラットフォームを使って視覚化する必要がある。現状を分析した後、チームはモデルとワークフローの設計に入る準備がほぼできている。現状分析で得られた知見を介入設計のフェーズにつなげるために、プロジェクトチームは、優先度の高い課題から成功のためのキーフィーチャーのリストを作成する必要がある。

成功のための重要な鍵は、問題が解決されるために必要な条件、構造、およびプロセスのことである。例えば、「現在の臨床上の劣化を検出する方法は、提供者の直感に大きく依存しているため不規則である」というインパクトの大きい問題があった場合、成功のための重要な特徴は、「臨床チームは、臨床上の関連データに基づいて劣化を予測するメカニズムを必要としている」ということになる。

AIが必要かどうかの評価
AIプロジェクトでよくある落とし穴は、解決しようとしている問題よりも技術を優先してしまうことである。プロジェクトチームは、AIソリューションが現行システムに役立つように設計されており、その逆はないことを確認するために、明確なAIタスクが出現しているかどうかを判断する必要がある。
1.必要なデータを取得し、データの品質を確保し、インフラを構築するために必要な人的努力と専門知識を含むモデル構築のためのコストとデータパイプラインの確立。

2.モデルに偏りが生じる可能性は、微集団を代表するデータセットを入手できるかどうか、そして、固有のバイアスをどの程度まで軽減できるかが重要

3.継続的なモデルのメンテナンスとサポートは、モデルの性能低下やシステマティックなデータシフトを検出し、緩和する必要がある

第２部第２部 AIモデル開発と同時進行して行われる活動
主な機能と可能な臨床統合ワークフローのアイデア

現実的な可能性、受容性、効率性、有効性のバランスが取れたモデルやワークフローを設計するには、デザイン思考やQI手法が鍵となる。AIを導入する際に最も役立つツールとしては、将来の状態を示すプロセスマッピングや、レンズ、プロトタイピング、ボディストーム、デザインシミュレーションを適用することなどが挙げられる。

まず、各エンドユーザーに理想的な未来の状態のプロセスマップを作成してもらう。モデルの出力を受け取ったときを含む、理想的な未来の状態のプロセスマップを作成することから始める。モデルの出力を受け取ったときも含めて、理想的な未来の状態のプロセスマップを作成する。続いて、各人が理想とするプロセスを共有し理想のプロセスを共有し、それぞれのプロセスマップの「最良のものをそれぞれのプロセスマップの「ベスト」を1つの表現にまとめ始めて、冗長な部分を取り除く。

チームは統合されたプロセスマップを、患者の安全性、実現可能性、受容性などの観点から評価し、編集する。そして、受け入れ可能性を評価し、編集する。

最後にチームは、既に作成した成功のための重要な特徴という観点から、統合されたプロセスマップをレビューする。例えば、チームは、AIモデルの出力をきっかけに、他の専門分野の自動診察を行うプロセスの概要を決めたとする。患者の安全と実現可能性の観点からは、このワークフローは合理的に見えるかもしれない。このワークフローは合理的に見えるかもしれないが受け入れ可能性の観点から、チームは別のワークフローを検討する必要があることに気づくかもしれない。別のワークフローを検討する必要があると気づくかもしれない。

次に、プロトタイプをスケッチし、反復的なデザインシミュレーションを行うことは、ワークフローを確認するための効果的な方法である。シミュレーションを行うことは、より詳細なモデルデリバリーとそれに伴うワークフローの仕様をより詳細に把握するためには、プロトタイプのスケッチやデザインシミュレーションが有効です。
未来の状態のプロセスマッピング演習と同様にチームの各メンバーが、モデルからの出力として頭の中で思い描いているものをスケッチする。このスケッチは、当該モデルからの出力として心の中で見ているものを描いてもらう。スケッチの内容は非常に多様である。スケッチをシャッフルし、プロトタイプを使ってシミュレーションを行い、その結果を観察する。

最高の結果を得るためには、実際のシナリオや初期のプロトタイプを使ってシミュレーションを行う必要がある。シナリオと初期モデルのプロトタイプでシミュレーションを行うことがこれは非常に重要なことである。このシミュレーションに技術チームが参加してモデルをカスタマイズするための要件を収集する。

【Plan, Do, Study, Adjust】
理論から応用に移るためには、チームは実際に臨床試験を行う必要がある。技術やワークフローが実際にどのように機能するかをチームが理解するには、変動をコントロールするのではなく、変動を研究するアプローチの方がはるかに適している。迅速で構造化されたアイデアは、計画、実行、研究、調整の4つの部分、すなわちPDSAに分けることができる。

Plan:
•テストが答える質問を定義する。例えば、モデルの正確性、受け入れ可能性、ワークフローの実現性、臨床結果への影響、それらの組み合わせを判断したいのか、
•パイロットの目的に基づいて、パイロットのデザインやアクティビティ、データ収集ツール、タイムラインを決定。UTAUT（Unified Theory of Accepance and Use of Technology）のような統一された理論のようなフレームワークをベースにエビデンスを活用
•コンプライアンス、プライバシー、リスクマネジメント、Institutional Review Board(IRB)をはじめとする関連団体の協力を含めた必要な承認の取得。
•AIモデル、ワークフロー、タイムライン、フィードバックの収集するためのメカニズムについて、パイロットの参加者やリーダーを募集し、トレーニングの実施

Do and Study:
•実験の実施、進捗状況の確認、予期せぬワークフローや技術的な問題への対応、想定外のワークフローや技術的な問題が発生した場合、プロジェクトチームとパイロット参加者やパイロット参加者との定期的なミーティング
•プロセスを観察し、何が行われているか,うまくいっているものとそうでないものを直接理解する。
•定量的なデータの傾向を確認し、統計的な有意性を評価する。
•質的データの帰納的または演繹的コーディングを行い、有用なインサイトを導き出す。

Adjust（doとstudyの繰り返しで発生する）。
•高度に整理された状態を維持し、影響を受けるステークホルダーとの明確なコミュニケーションを確保、調整が行われる際には、影響を受けるステークホルダーに明確なコミュニケーションを行う
•定量的データと量的データとコード化された質的調査結果をレビューして議論
•成功のための重要な機能を開発に基づいて　チームの一員としてワークフローの変更を決定し、チームでモデル化

PDSAプロセスを説明するために、例をあげる。
急性期入院患者における終末期の事前ケア計画に関する話し合いの記録を増やすために、学際的なチームが招集する。チームは、現状分析により明確なAIタスクを特定し、予後に基づく患者選択を支援するために、独自に開発し検証した死亡率予測モデルを導入することを決定した。最初の試験として、この予測モデルの出力を朝のベッドサイドラウンドの前に医師と共有することの受け入れ可能性をテストすることにした。これは、この新しい情報が患者との終末期の事前ケア計画の会話を促すことを期待してのことである。
データパイプラインが整備され、チームはサービスを提供する6人の医師と簡単なトレーニングセッションを行った。1週間後、チームは、このモデルが実行されたのは5％で、予想よりはるかに低いことを知った。質的分析によると、医療従事者は患者との難しい会話をするための時間を作るのに苦労していることがわかった。また、プロバイダーはモデルの予後予測には同意しているものの、モデルがよく提案する入院初日に患者とこうした会話をするのは時期尚早だと考えている。
チームは、医療従事者がモデルの出力に臨床的に同意していることを聞いて勇気づけられ、次のPDSAサイクルに向けて2つの調整を行うことにした。まず，チームは，入院から最初の24が経過した患者を対象にモデルを実行することにした。また，医師が表明した時間的な制約に対応するため，看護師，理学療法士，ソーシャルワークなどの拡張チームのメンバーが，モデルの出力を受け取り，医師と一緒にワークフローの責任を共有することを提案した。改良されたパイロットワークフローと評価基準が作成され、チームは新しいPDSAサイクルを開始した。
ワークフローとモデルを改良するために、必要に応じて何度もPDSAサイクルを実施した。PDSA実験の前に現行システムの分析が行われていれば、チームは望ましい結果に早く到達することができ、その後、広範な導入が必要かどうかを判断することができた。

【結論】
現在のアプローチと伝統的な研究方法では、ヘルスケアにおけるAIの導入を成功させることはできない。新薬や医療機器とは異なり、AI技術の有効性は、与えられたシステム内のデータと、ツールが関連する環境にどのように統合されるかに完全に依存する。再検索法は、どこでどのように実施されるかとは無関係に、制御されたシステムに影響を与える介入の能力を分離し、証明することを目的としている。QI法は、現在のシステムにおける変動の原因を理解し、通常の変動に耐えるモデルとワークフローの設計を促進することを目的としている。再検索は「うまくいくのか」という質問に答えるのに対し、QIは「どのように機能するのか？"　という疑問に答える。現在のアプローチでは、技術的な開発を区分けしている。
その結果、多くのAIモデルは、患者、医療従事者、医療システムと共同で開発された説得力のあるユースケースなしに作成され、臨床の場でテストされたり、拡張されたりすることはなかった。このことは、技術的には成功した（しかし臨床的には統合されていない）モデルに関する研究の幅広さとは対照的に、AIに関するトランスレーショナルまたはインプリメンテーションの文献が少ないことからもわかる。この記事で紹介したアプローチは、デザイン思考とQIの手法を活用したもので、導入を促進し、どのような導入方法が最も成功するのかをよりよく理解するために、医療におけるAIのさらなる研究を促すことを目的としている。

【プロジェクトと主な学習内容】

＜プロジェクトの説明＞
急性期入院患者における臨床悪化の予測モデルの導入
＜判明した重要な問題＞
予期せぬ臨床症状の悪化により、集中治療室への入院や死亡が発生した場合
＜現在のプロジェクトの状況 2020年6月＞
インプリメンテーション、複数のPDSAサイクルの実施
＜主な学習内容＞
実際のシナリオや初期のモデルプロトタイプに基づいてシミュレーションを設計することで、ワークフローの統合やモデル出力の配信機能を成功させるための重要な機能を学ぶことができる
臨床チームと一緒に技術チームを最初から参加させることで、より迅速な開発とアイデアの提供が可能になる

＜プロジェクトの説明＞
終末期のアドバンス・ケア・プランニングのための患者選択を可能にする死亡率予測モデルの導入
＜判明した重要な問題＞
患者や医療従事者を苦しめるような終末期のケアプランに関する問題の発生率が期待よりも低いこと
＜現在のプロジェクトの状況 2020年6月＞
実施中；複数のPDSAサイクルを実施
＜主な学習内容＞
臨床、運用、技術の各チームメンバーが最初から参加することで、驚くほど実現性の高い臨床統合ワークフローが生まれる。
第一線のスタッフから少人数のフォーカスグループを選び、複数のPDSAサイクルに参加させることで、多職種による迅速な学習が可能となり、モデルの出力のデリバリーやワークフローを調整することができる。

＜プロジェクトの説明＞
AIを活用した外来患者のリスク層別化・予測ツールの設計
＜判明した重要な問題＞
構造化されていない医療データに含まれる社会的決定要因や臨床医の印象を考慮していない、外来の敏感な入院患者や既存の「ホットスポット」ツール
＜現在のプロジェクトの状況 2020年6月＞
AIソリューションの有用性を評価し、成功のための重要な機能を考案
＜主な学習内容＞
臨床に関連する問題を特定し、現状分析を行うことで、モデルを構築する前に、明確なAIタスクの特徴を把握し、運用成功のための重要なドライバーを設計の初期段階で伝えることができる。これにより、時間とリソースの無駄を省くことができる。

＜プロジェクトの説明＞
データギャップを解消し、診療所訪問の間に患者と関わる能力を向上させるためにAIを活用した在宅モニタリングプラットフォームの設計
＜判明した重要な問題＞
慢性疾患患者に必要な行動変容の発生率の低さ
＜現在のプロジェクトの状況 2020年6月＞
現行のシステムを分析し、成功の鍵となる機能を決定する
＜主な学習内容＞
臨床チーム、運用チーム、技術チームのメンバーを巻き込んで徹底的に現状を分析することで、臨床的にも運用的にも成功するための、より斬新で意外性のある重要な機能が見えてくる

＜プロジェクトの説明＞
音声や視覚的な手がかりをもとに、うつや不安を検知できるAIアルゴリズムの設計
＜判明した重要な問題＞
現在のうつ病スクリーニング方法では、認知的・事務的な負担が大きく、うつ病や不安を抱える患者さんをスクリーニングして特定することができない
＜現在のプロジェクトの状況 2020年6月＞
モデルは開発中。成功のための重要な機能についてアイデアを練っている。
＜主な学習内容＞
既存の組織の優先事項や品質向上の取り組みと整合させることで、リーダーシップのサポートやリソースの確保につながる。

＜プロジェクトの説明＞
プライマリ・ケア・プロバイダーによる皮膚疾患の診断を支援するAIツールの実現可能性と受容性の評価
＜判明した重要な問題＞
皮膚科医の不足とプライマリ・ケア・プロバイダーにかかる診断の負担による、最適でない紹介、治療の遅れ、診断の誤り
＜現在のプロジェクトの状況 2020年6月＞
パイロット試験を成功させるための重要な機能と臨床統合のワークフローのアイデア出し
＜主な学習内容＞
初期段階の臨床統合ワークフローを活用して、トレーニングセットデータを収集するためのアプローチを決定することは有用である。技術、臨床、運用の各ステークホルダーを参加させ、PDSAやUTAUTなどのフレームワークを活用することで、AIモデルがどのように動作するのかをチームで繰り返し学ぶことができる

＜プロジェクトの説明＞
訪問前の計画と訪問中のケア管理のためのAI対応モデルの受け入れ可能性のを設計と評価
＜判明した重要な問題＞
患者さんを効率的にサポートする統合ツールの希少性
訪問時個人のケアプランを効率的に整理・管理できる
＜現在のプロジェクトの状況 2020年6月＞
現状のシステムを分析: システムを分析し、成功の鍵となる機能のアイデア出し
＜主な学習内容＞
広範なユーザーエクスペリエンスと現行システムの患者と医療従事者の視点からテクノロジーの機能と最初から念頭に置いたワークフローの統合をデザインしたデータインフラストラクチャの実施

＜プロジェクトの説明＞
診察券の様々な側面をAIで記録することの受容性
＜判明した重要な問題＞
文書の過度な負担による医師の燃え尽き症候群
＜現在のプロジェクトの状況 2020年6月＞
プロジェクト完了
＜主な学習内容＞
広範なユーザー体験と現状分析を行い既存のヒューマン・ドリブンなドキュメンテーション・プラクティスのドキュメンテーションの実践
成功の鍵となる機能や特徴、信頼性と受容性に影響を与える要因について提案されたAI技術の信頼性と受容性に影響を与える要因について洞察している。

ここで終了です。少し長かったですが、関心を持ってもらいましたでしょうか。
他のドメイン（事業）にも、活かせるのではないかと思います。