✚医知創造ラボ｜医療者向け

研修医が「AIで調べました」
と言ってきたら

指導医の5つの問いかけ【DEFT-AI】

医知創造ラボ 指導医・研修医・医学生の方へ 監修：今村久司
今日の問いTODAY'S POINT

AIの鑑別を持ってきた
研修医に、何を返すか？

結論

禁止しない。使った瞬間を教育機会に変える
5つの問いかけがある。

✚医知創造ラボ02
KEY NUMBER
2%ポイント
⚠ 95%CI −4〜8・P=.60（有意差なし）

診断推論スコア
76% 対 74% の差

スコアは鑑別の妥当性・支持/反証所見・次の検査を採点したルーブリック（％表示）。
Goh E, et al. JAMA Netw Open. 2024（医師50名・単盲検RCT）

✚医知創造ラボ03
04
芯1THE TOOL IS STRONG

同じ研究で、LLM単独は
従来資源群より16%ポイント高い

LLM単独群のスコアは、従来資源のみ群より16%ポイント高かった（95%CI 2〜30、P=.03）。

📋 ここが要点

道具の性能は高い。使いこなせていないのは人。渡し方＝指導のしかたの問題。

✚医知創造ラボ04
KEY NUMBER
30%
⚠ 英国レプリケーション（医師22名）

症例設問のうち、実際に
LLMに投げられた割合

Healy J, et al. Diagnosis (Berl). 2026

✚医知創造ラボ05
06
芯2ASYMMETRIC RISK

得より損が大きい

提示したAI診断精度の変化評価
標準AI（説明なし）+2.9%ポイント有意に改善
標準AI（説明つき）+4.4%ポイント有意に改善
偏ったAI（説明なし）−11.3%ポイント有意に悪化
偏ったAI（説明つき）−9.1%ポイント悪化（改善は非有意）

医師457名（hospitalist・NP・PA）・ベースライン精度73.0%のランダム化臨床ビネット調査。Jabbour S, et al. JAMA. 2023.

✚医知創造ラボ06
07
芯2WHO GETS HURT

説明をつけても、損は打ち消せない

系統的に偏ったAIの悪影響は、説明を添えても改善しなかった（Jabbour 2023）。

📋 Yu 2024（放射線科医対象）の指摘

ベースライン成績が低い臨床家ほどAI併用で不利益を受ける。AIが医師を上回る場面では「人＋AI」が「AI単独」より悪化する。

✚医知創造ラボ07
KEY NUMBER
56%
⚠ 最終学年医学生148名（GPT-3.5・10症例中5問が誤答）

LLM出力を正しく評価できた
割合（中央値）

Waldock WJ, et al. BMC Med Educ. 2025

✚医知創造ラボ08
09
芯3VERIFICATION ISN'T AUTOMATIC

同研究で、5%しか
知らなかったこと

「clinical prompt engineeringを知っていた」と答えたのは、わずか5%だった。

📋 ここが要点

出力を評価する力も、プロンプトを組む力も、検証は自動的には起きない。教えて初めて身につく。

✚医知創造ラボ09
10
芯3AI ANCHORS TOO

AIほど最初の見立てに引きずられる

アンカリング＝先に示された診断を1位のままにする傾向。

対象先に示された診断が1位のまま
LLM（8種）55.6%
研修医（PGY1-3）21.2%
指導医10.0%

内科外来ビネット9対・225回答（Sheppert A, et al. Int J Med Inform. 2026）。AIが見落とした症例では読影者の感度中央値も71%→39%（Taib AG, et al. Radiology. 2026）。

✚医知創造ラボ10

FRAMEWORK

DEFT-AI

5つのステップ

全体像THE 5 STEPS

DEFT-AI ― 5つの構成要素

要素名称尋ねること
DDiagnosis, Discussion,
and Discourse		臨床推論と、使ったAIツール・プロンプトのプロセス
EEvidence支持する根拠と反証する根拠の両方
FFeedback見落とした鑑別・知識のギャップの内省
TTeaching推論とAI利用の両方への一般原則
AIAI Engagement
Recommendation		次はどの監督レベルでAIを使ってよいか
✚医知創造ラボ12
13
DDIAGNOSIS, DISCUSSION, AND DISCOURSE

まず学習者の鑑別を先に言わせる

学習者の臨床推論プロセスとAI利用のしかたを、AIの答えより先に確認する。

📋 尋ねること

どのAIに、どんなプロンプトを打ったか。出力が診断をinfluenced／replaced／augmentedのどれをしたか。

✚医知創造ラボ13
14
EEVIDENCE

支持する根拠と反証する根拠の両方を

代替仮説を生成できるかどうかは、adaptive expertiseの証。AIリテラシーの自己評価も同時に行わせる。

📋 問いかけの例

「そのAIはどうやってその結論に至ったと思うか」

✚医知創造ラボ14
15
FFEEDBACK

見落としと知識の穴を
本人に内省させる

自己評価を土台に、成長機会を学習者自身の言葉にさせる（guided self-reflection）。

📋 振り返らせる3点

見落とした鑑別・医学知識のギャップ・AIリテラシーの3つ。

✚医知創造ラボ15
16
5つ目AI ENGAGEMENT RECOMMENDATION

次はどの監督レベルで
AIを使ってよいか、言葉にして渡す

原則は "encourage ongoing practice with AI"。使うな、ではない。

1
間接的または断続的な直接監督のもとで、慎重に使ってよい
2
監督なしで安全に使えるが、
継続的な自己モニタリングを伴う
✚医知創造ラボ16
17
ADAPTIVE PRACTICE

centaur と cyborg

行動向いている場面診断・意思決定
centaur（分担）高リスク・不確実な診断自分の判断で必ず検証
cyborg（協働）低リスク・定型的な業務AIと反復してすり合わせる

両者は排他的ではない。タスクとリスクに応じて行き来できることがadaptive practice（Abdulnour 2025）。

✚医知創造ラボ17
18
NOT A NEW INVENTION

30年以上前からある型のAI拡張

Neher 1992 One-Minute Preceptor Savaria 2022 DEFT Abdulnour 2025 DEFT-AI

SNAPPSはこの系譜に含まれない（原著本文に0件）。

✚医知創造ラボ18
19
LIMITATIONS

効果はまだ証明されていない

DEFT-AIはフレームワークの提案であり、効果を断定する研究はまだ無い。

  • 原典は総説（Review）で、有効性を示す実証研究はまだ無い
  • 類縁のSNAPPSですらKirkpatrick Level 3/4の報告はゼロ
  • deskillingのエビデンスも「乏しい」（Heudel 2026）
  • 査読後に書簡3本と著者の返答が出ている
    （うち1本は慶應義塾大学病院から）
✚医知創造ラボ19
20
まとめSUMMARY

指導医が明日から変えられる3点

01
先に言わせる

学習者の答えを
先に言わせる。

02
使い方を聞く

どのAIに、
何を打ったか聞く。

03
レベルを渡す

次はどの監督レベルで
使ってよいかを渡す。

✚医知創造ラボ20

ご視聴ありがとうございました

📄

概要欄をチェック

要点まとめを配布中

🔔

チャンネル登録

毎週、医学教育の話
をお届けします

👍

高評価で応援

次回もお楽しみに

これからも、信頼できる医学教育情報を
わかりやすくお届けしてまいります。
引き続き、医知創造ラボをよろしくお願いいたします。