AIによる過去分析とは？蓄積したデータから何が見えるのか

開業から数年経ったクリニックには、何万件もの診療記録が蓄積されています。しかしその多くは、書かれたきり読み返されることがありません。「データはあるが、使えていない」——これが一般的な状態です。

本記事では、蓄積されたデータをAIで振り返る「過去分析」について、何が見えるのか、どこで判断を誤りやすいのかを職員向けに整理します。

免責：本記事は一般的な情報提供です。分析結果の解釈は個別の状況によって異なります。経営判断にあたっては税理士・コンサルタント等の専門家にもご相談ください。

「過去分析」とは何を指すか

ここでいう過去分析とは、すでに蓄積されている記録を振り返って、傾向やパターンを見つけることです。予測（これから何が起きるか）ではなく、まず何が起きていたのかを把握する段階を指します。

対象になるデータは、クリニックの中に一通り揃っています。

• 診療記録：主訴、診断、処置、経過
• レセプトデータ：算定した項目、点数、保険種別
• 予約データ：予約枠、来院、キャンセル
• 会計データ：窓口収入、自費売上、決済手段
• 時刻データ：受付時刻、診察開始、会計終了

これらは日々の業務の副産物として自然に貯まっているもので、分析のために新たに入力する必要はありません。

従来の集計と何が違うのか

「集計ならExcelでもできる」——そのとおりです。では何が変わるのか。

決定的な違いは、仮説を先に立てる必要がなくなるという点です。

従来の流れ

① 「再診率が下がっているのでは」と仮説を立てる ② その仮説を検証できる形でデータを抽出する ③ 集計する ④ 結果を見る

この流れには問題があります。①で思いつかなかったことは、永久に見つかりません。 そして①を思いつくには、ある程度の経験と勘が要ります。

AIを使う場合の流れ

① 「最近なんとなく患者が減った気がする。何が起きている？」と聞く ② AIが複数の切り口で調べ、目立つ変化を提示する ③ 気になった点を掘り下げて聞く

曖昧な問題意識のまま聞き始められることが、実務上の大きな違いです。「何を調べればいいかわからない」段階から入れます。

もう一つの違いは、集計の手間がなくなることです。従来は、システムからデータをエクスポートし、Excelで加工し、ピボットテーブルを作る——という作業に時間がかかりました。この工程が重いために、月次の数字を見る習慣が続かないクリニックは少なくありません。詳しくは クリニックが見るべき経営指標10選 でも触れています。

何が見えるのか——4つの切り口

① 患者の動きに関すること

• 新患がどこから来ているか（紹介元、Web予約、飛び込み）の構成比
• 初診から再診につながる割合と、離脱しやすいタイミング
• 一定期間来院がない患者の抽出
• 季節や曜日による患者数の変動パターン
• 診療科・疾患別の患者構成の変化

② 算定に関すること

• 実施しているのに算定されていない項目の傾向
• 返戻・査定が起きやすいパターン
• 月ごとの算定単価の変動と、その要因
• 特定の管理料・指導料の算定率

算定漏れの構造的な原因は 算定漏れはなぜ起こる？原因別チェックリストで収益ロスを防ぐ で扱っています。

③ 業務に関すること

• 時間帯別の混雑と、待ち時間の実態
• 予約枠の稼働率と、埋まりにくい枠
• キャンセル・無断キャンセルの発生パターン
• 受付から会計までにかかる時間の分布

④ 診療の質に関すること

• 定期検査の実施率と、抜けている患者
• 継続すべき管理が途切れている患者
• 他院への紹介と、返書が返ってきているかの追跡

④は経営指標というより医療の質に関わる領域で、見落とし防止に直結します。糖尿病診療での合併症スクリーニング管理などが典型例です（糖尿病・内分泌クリニックの電子カルテ）。

分析の3段階——「なぜ」で止まらない

分析には段階があります。ここを意識しないと、数字を見て終わりになります。

多くの場合、①で止まります。「減った」とわかっても、どこで減ったのかを分解しなければ打ち手が決まりません。

AIが特に効くのは②の段階です。「なぜ減ったのか、考えられる切り口で分解して」と聞けば、曜日別・時間帯別・年齢別・診療内容別といった複数の軸で調べて、目立つ差を提示できます。人が一つずつ集計していた作業が、対話で進みます。

ただし、③を決めるのは人です。AIが示すのは「どこに差があるか」までであり、「だからどうするか」は経営判断です。

誤りやすい4つのポイント

分析結果の解釈には、注意すべき典型的な落とし穴があります。

① 相関と因果を取り違える

最も多い誤りです。

「Web予約から来た患者は再診率が高い」

この事実から「Web予約を増やせば再診率が上がる」と結論づけるのは危険です。もともと継続的に通う意思のある患者が、Web予約を選んでいるという逆の可能性があります。

同時に起きていること（相関）と、原因と結果（因果）は別です。AIも、データ上の関係は示せますが、因果までは判定できません。

② 少数例を一般化する

「この処置を受けた患者の満足度が高い」——ただし該当が3人なら、傾向とは言えません。分母を必ず確認することが必要です。

③ データの偏りを見落とす

記録されていないものは、分析にも現れません。

• 電話で断られた予約は、キャンセル率に含まれない
• 待ち時間が長くて帰った患者は、記録に残らない
• 紙で運用している部分は、集計対象外

「データにない＝起きていない」ではありません。 何が記録されていないかを把握しておくことが、解釈の前提になります。

④ 後から意味を見つけてしまう

大量のデータを多数の切り口で調べれば、偶然の偏りは必ず見つかります。「火曜日の午後だけキャンセルが多い」といった発見が、本当に意味のある傾向なのか、たまたまなのか。

対処法はシンプルで、期間を変えても同じ傾向が出るかを確認することです。1か月で見えた傾向が、別の3か月でも見えるなら信頼できます。

前提——データが分析できる状態にあるか

分析の質は、分析手法よりデータの持ち方に規定されます。

一箇所にあるか。 カルテ、予約、会計、自費売上が別々のシステムに分かれていると、掛け合わせた分析ができません。「自費メニューを受けた患者の再診率」を見たくても、そもそもデータが繋がっていなければ出せません。この構造的な問題は クリニックの会計機能にイノベーションが必要な理由 で扱っています。

時刻が残っているか。 受付時刻・会計時刻が記録されていなければ、待ち時間の分析はできません。

表記が揃っているか。 同じ処置が担当者によって別の名前で登録されていると、集計が割れます。マスタの統一が効いてきます（分院展開で失敗しないシステム設計）。

テキストが検索できるか。 自由記載の中身を分析対象にするには、テキストとして扱える状態が必要です（AI検索とは？）。

つまり、分析は後から足す機能というより、日々の記録がどう蓄積されているかの結果だということです。

続けるための3つの工夫

分析は「一度やって終わり」では価値が出ません。継続するための現実的な工夫を挙げます。

見る指標を絞る。 最初から10も20も見ようとすると続きません。自院の課題に近い3つに絞り、月次で見る習慣をつくるほうが効果的です。

運用の副産物として出るようにする。 毎回エクスポートして加工する仕組みでは続きません。日々の運用から自動的に数字が出る状態を目指します。

打ち手とセットで見る。 「先月こうした → 今月どう変わったか」という形で見ると、分析が行動につながります。数字を眺めるだけの会議にしないことが重要です。

レセプトデータとカルテデータを掛け合わせた分析の具体例は レセプトデータ×電子カルテデータで実現する経営分析 をご覧ください。

よくある誤解

「AIが原因を教えてくれる」 → AIが示せるのは「どこに差があるか」までです。因果の判定と打ち手の決定は人が行います。

「データが多いほど正確」 → 量が増えても、偏りがあれば偏った結論になります。何が記録されていないかのほうが重要なことがあります。

「分析すれば答えが出る」 → 分析は選択肢を絞る道具です。最終的な判断には、数字に表れない事情（地域性、方針、スタッフの状況）も入ります。

「専門知識がないと使えない」 → 対話で聞ける形になったことで、ハードルは下がりました。ただし解釈の注意点を知っておくことは必要です。本記事の「誤りやすい4つのポイント」がそれにあたります。

まとめ

• 過去分析とは、すでに貯まっている記録から傾向を見つけること。新たな入力は不要
• 従来の集計との決定的な違いは、仮説を先に立てなくても聞き始められること
• 見える切り口は患者の動き・算定・業務・診療の質の4つ。とくに4つ目は見落とし防止に直結する
• 分析には①何が起きたか ②なぜ ③どうするかの3段階があり、①で止まると打ち手が決まらない
• 誤りやすいのは相関と因果の取り違え・少数例の一般化・データの偏り・偶然の発見の4点
• 分析の質は手法よりデータの持ち方（一箇所にあるか・時刻が残るか・表記が揃うか）に規定される
• 続けるコツは指標を絞る・運用の副産物として出す・打ち手とセットで見る

AIカルテの詳細やデモをご希望の場合は お問い合わせ からご連絡ください。