沼尻よしひろ | AI×地方医療・中小企業DX

株式会社giverth代表 / ITコンサル・PM｜医療機関・中小企業向けに完全オフラインAI（ローカルLLM×AI構築ツール）を導入支援。ネットにつながない安全なAIをつくっています。診療報酬✕RAGも。構築ログや学びを発信中。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

HPリニューアルで Claude Code の効果をざっくり比較。

従来（WordPress手作業）
約30〜50時間（ほぼ全部自分作業）
今回（Claude Code）
約4〜5時間
うち自分の作業は約2時間

削減効果
約10〜20倍の時間短縮。
設計・実装・レビュー・修正まで
ほぼAIと会話しながら完了。

新サイト
https://t.co/t4qOisggYt
ちなみに旧サイト
https://t.co/Vpb7kTmjOr

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

AIが夜中に100倍の速さで仕事をしても、
確認する人が1人なら意味がない。

これが「確認側ボトルネック」問題。

AI活用が詰まるのはたいていここ。
医療現場でも全く同じことが起きています。

解決策は1つ：
「合格の基準」を事前に言語化しておくこと。

基準がないままAIを動かしても、
結局は「なんとなく」の手直しループに入る。

あなたの職場のAI活用、
確認フローは整備できていますか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

@MedDX_Innovator L1・L2・L3の整理、ありがとうございます。

診療報酬RAGでもまったく同じ構造で、
L3が特に難しいと感じています。
改定のたびにタスク定義自体が変わるため、
ベンチを一度取っても半年後には再測定が必要になる。

「選定」より「継続検証」が本質かもしれません。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

この実験結果、診療報酬RAGの提案根拠として使わせてもらっています。

汎用Qwen3-8Bが日本語医療特化SIP-jmedに負けた事実——「大きい汎用モデルで十分」が医療AIでは通じない理由が数値で出ました。

院内AI選定で、モデルの「専門性」まで確認していますか？

[2年目開業内科医 @MedDX_Innovator]

院内で動かしているSOAP生成ローカルAIを置き換えられるかという話で、候補に挙がっていた公開モデル数本に同じ条件で同じデータを食べさせて、参照との類似度を取った。

【1回目(各モデル 1.2k 件で学習)】

現行(MedGemma-4B + LoRA・過去数ヶ月分のデータで仕込み済み):0.5027
SIP-jmed-llm-3-13b:0.4551
Qwen3-8B:0.3978
MedGemma-1.5-4B:0.3875
MedGemma-4B(新規):評価途中で生成が詰まって 0.40 前後で団子
MedGemma-27b-text:VRAMが足りずスキップ
数字だけ見ると、汎用 Qwen3-8B は日本語医療特化の SIP-jmed に完敗。とりあえず大きい汎用モデルに LoRA を刺せばいい、では日本語の医療文には足りないらしい、というのが第一の発見だった。

ただこの比較は、現行に対するハンディが大きい。現行は数ヶ月分のデータを舐めて仕上げてある一方、挑戦者は 1.2k しか食べていない。同条件と言いきれない。

そこで2回目:SIP-jmed に同じ 13k のデータを食べさせた。

SIP-jmed-13b(13k 学習):0.5164
現行(MedGemma-4B):0.5027
同モデル(1.2k 学習):0.4551
13倍のデータで +0.06 ほど伸びて、現行をかすかに上回った。1.2k版との差分(+0.0613)も大きい。基盤の地力はデータを揃えてから出てくる感じがある。

学習自体はけっこう死んだ。手元の GPU 環境ギリギリで 13B を夜回していたら、二重起動とかバックエンドの蘇生プロセスとかでぶつかって、3回ほど途中で落ちて4回目でやっと完走した。10時間学習が一発で通らないのは、まあそういうものだと思いつつ、運用上の知見はだいぶ溜まった。

総括としては、

「大型基盤 + LoRA」は同じデータ量で揃えて初めて比較になる(揃えないと現行に当然負ける)
日本語医療特化(SIP-jmed-13b)はやはり地力があった
ただ本番置換に降ろすとなると、生成速度(13B だから 4B よりだいぶ遅い)と SOAP 以外のタスクの扱いがあって、まだその段階ではない
たぶん次は、置き換えるかどうかの判断材料として生成秒数の実測から、というところで一旦置きます。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

5月27日にサイト改修を2つ同時実施。

①トップの「導入メリット」セクション
Frontend Designスキルでリデザイン

②/aboutページのCTA
「無料相談」→「30分相談を申し込む」に変更

結果：
①トップ流入 ↓39.7%
②contact遷移 ↓66.7%

根本原因は同じ。
GA4データを見ずに「デザイナーの仮説」で改修した。

初訪問者の心理を見落とした。

あなたの改修、
GA4ドリブンですか？
それとも「いいと思う」ですか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

5月27日、自社サイトを2カ所同時改修しました。

①「導入メリット」セクションをリデザイン
Claude公式スキルで
白背景カード → ネイビー背景+番号付きリスト

②/about CTA変更
「無料相談」→「30分相談を申し込む」

どちらも「これはいいはず」と思った改修です。

GA4のデータは正直でした。

この2つ、結果どっちに転んだと思いますか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

https://t.co/m4RNPzJvIw

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

厚労省が毎週出す通知・疑義解釈。

「全部読む時間はないけど、
見落とすと査定・返戻になる」

この不安を解消するため、
毎週月曜にメールで届くニュースレターを始めました。

🔴 重要（今週必ず確認）
🟡 参考（一応知っておきたい）
⚪ 今週は実務影響なし

の3段階で仕分け済み。無料です。

あなたの施設では今、
誰が厚労省の通知を確認していますか？

↓ 購読リンクはリプ欄に

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

答えは【約8時間】でした。

人間ひとりでゼロから作ると → 数日〜1週間以上

Claude Codeは：
✅ 新設加算の情報をAIの知識データベースに登録
✅ チャットフロー設計
✅ 4つのバグを自力でデバッグ
✅ 同日中にデモ完成

※これは初回構築。次の加算対応は設計図が確立されているため2〜3時間の見込み。

→ https://t.co/aEvgLtZBFX で試せます
（電子的診療情報連携体制整備加算 対応）

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

このツイートを見て、AIエージェント（Claude Code）で施設基準自主点検AIのデモを作ってみました。

設計・構築・デバッグまですべてClaude Codeが担当。

さて、何時間で完成したでしょうか？

昼ごろリプ欄に答えを投稿します👀

[くまっぺぇぇぇ @hamizuhanamizu_]

‼️適時調査実施要領等‼️
本日付で更新されました。

施設基準は届出して終わり！ではないので、まずは要領の読み込みと自主点検を。
うちも院内で模擬適時の準備しなきゃ。

適時調査実施要領等｜厚生労働省 https://t.co/UrWiWCbrpw

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

https://t.co/KLLVbX3ZMS

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

「AI導入したのに、スタッフが使わない」

原因は精度でも技術でもない。

「自分たちに関係なく決まった」
という感覚から来る心理的抵抗。

3週間でこの抵抗を解く実装ステップを
noteにまとめました。

リプ欄にリンクあります。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

疑義解釈（その7）で確定しました。

生成AIを活用した文書作成補助システムを
「組織的に導入」している場合、

医師事務作業補助者を1.2人として
配置人数に算入できます。

90床の病院の例：
補助者5人 × 1.2 = 配置基準6人を満たす
→ 15対1補助体制加算が算定可能

「AI導入のコストに見合わない」は、
この換算ルールを知らなかっただけかもしれません。

あなたの施設では、この換算、医事部に届いていますか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

届出し直しが必要な加算を一覧化しました。

https://t.co/BGoLSYpoQ3

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

令和8年6月から新設の「電子的診療情報連携体制整備加算」。

マイナ利用率70%超・電子カルテ導入済みでも届出できない施設がある。

原因：認証対象電子カルテの一覧が厚労省から未公表。

制度は施行された。でも現場は動けない。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

https://t.co/BGoLSYpoQ3

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

「うちはもう届出してあるから大丈夫」

令和8年6月、その思い込みが静かな算定漏れを生んでいます。

医療DX推進体制整備加算を届け出ていても、新設の「電子的診療情報連携体制整備加算」は改めて届出が必要。自動では引き継がれません。

見落としていませんか？

届出し直しが必要な加算の一覧はリプ欄に。

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

「AI導入したけど、誰も使ってない」。
こういう話を、現場でよく耳にします。

原因のほぼ全てが「精度信仰」。

「正答率98%」で止まっている。
「残り2%が気になる」と。

でも現場は「100%を求める」のではなく
「今より楽になること」を求めている。

98%で十分に使える。
不足分は人間がサポート。

その前提で導入すれば、誰もが使う。

あなたの職場のAIは、「精度」で止まっていますか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

改定から2週間。現場では今、3つのミスが同時進行しています。

①算定条件が変わったのに旧ルールで請求
②通知文の解釈ズレ（疑義解釈を見逃す）
③確認作業増加でスタッフ疲弊

対応できた施設とできない施設で、収益差が出始めている。

あなたの施設では今、どこが一番しんどいですか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

見積もり作成AIにキャッシングを入れたら
968倍速くなった。

同じ企業ペアへの2回目以降：
🐌 1回目: 1.56秒（API実行）
⚡ 2回目: 0.00秒（キャッシュ）

営業が「この見積もり、先週も出したな」という場面。
そこに効かせる設計。

あなたの現場で、繰り返し使われている計算は何ですか？

[沼尻よしひろ | AI×地方医療・中小企業DX @numa3ch]

AIが「自分の答えを疑う」仕組みを作った。

チェック条件：
・顧客の過去実績から10倍以上乖離
・通常では起こりえない入力値
・料金帯の切り替わり境界付近
・情報不足のまま高額算出

どれかに引っかかると担当者に警告が出る。

精度より先に、
間違えたときのルートを設計する。

あなたの現場の見積AI、異常値はどう処理していますか？