A Scoping Review of Vibe Coding in Healthcare Across Clinical, Administrative, and Research Domains

何十年もの間、病院やクリニックが実際にどのように機能しているかを最もよく知る人々——医師、看護師、そして管理者たち——は、自分たちが真に必要とするソフトウェア・ツールを構築することができない状態にありました。彼らは患者のケアプランにおけるプロセスの不備や機能の欠落を察知することはできますが、それを修正するためのコードを書く技術的スキルを持っていません。一方で、そのコードを書くことのできるソフトウェア・エンジニアたちは、病院の病棟における日常的な実態を理解していないことが多々あります。この溝により、ヘルスケア・システムは外部のベンダーや、遅くて高価な開発サイクルに依存してきました。最近、この隔たりを埋めることを約束する新しいタイプの人工知能が登場しました。大規模言語モデルとして知られるこれらのシステムは、自然な英語の指示を理解し、それを動作するコンピュータ・コードへと変換することができます。「バイブ・コーディング（vibe coding）」と呼ばれる新しい用語は、ユーザーが従来のプログラマーのように振る舞うのではなく、ディレクターのように振る舞い、自然言語によるプロンプトを用いて人工知能を導き、機械が技術的な記述を担当するというワークフローを表現するために作られました。

オレゴン健康科学大学（OHSU）とカイザーパーマネンテ・オークランド・メディカル・センターの研究チームは、ヘルスケア分野におけるこのテクノロジーの初期の展望をマッピングすることに着手しました。彼らは、2023年1月から2025年12月までに発表された学術文献を幅広くレビューし、医療教育、研究、または病院管理のためのソフトウェアを構築するために、これらのAIツールが使用された事例を探索しました。彼らの目的は、ソフトウェア自体をテストすることではなく、それがどこで使用されているのか、どのような種類のツールが構築されているのか、そしてこの急速な変化の中にどのようなリスクが隠されているのかを理解することでした。彼らは、この分野が極めて初期の段階にあり、最初の査読付き論文が2025年中盤にようやく登場したことを明らかにしました。収集された証拠は、臨床医が正式なトレーニングなしで機能的なソフトウェアを構築できるようになった一方で、これらのツールを管理するための安全性および規制の枠組みがまだ整っていないことを示唆しています。

研究者たちは、この新しいアプローチが根付いている4つの主要な領域を特定しました。最初かつ最も活発な領域は、医学教育です。この領域では、医師や教育者が、疾患の診断シミュレーションや腎臓ケアを教えるためのウェブベースのプラットフォームなど、インタラクティブなトレーニング・ツールを作成するためにAIを使用しています。ある研究では、自然言語を用いてAIを導くことで、短期間に4つの異なる教育アプリケーションを構築した医師チームについて記述されています。これらのツールには、尿サンプルの分析ガイドや、腎臓の問題に関する診断アシスタントが含まれていました。レビューの中で強調された別の例は、外科研修医のスキル向上を支援するために耳鼻咽喉科医によって構築された「DebrasMD」というウェブアプリケーションです。作成者は正式なソフトウェア工学の訓練を受けていませんでしたが、AIツールを使用してコードを生成し、研修医が指導医からのフィードバックの音声メモをアップロードして、自身のパフォーマンスに関する自動レポートを受け取ることができるシステムを実現しました。これらのプロジェクトは、参入障壁が大幅に低下し、専門家が自身のアイデアをほぼ即座に動作するソフトウェアへと変えられるようになったことを証明しています。

生物医学研究の領域において、このテクノロジーはデータ分析をより多くの人々に開放する原動力として機能しています。伝統的に、複雑な生物医学データセットを分析するには、専任のデータサイエンティストやプログラマーのチームが必要でした。現在、研究者たちはAIアシスタントを使用して、データのクリーニング、統計モデルの実行、および結果の可視化に必要なコードを記述しています。レビューでは、このシフトによって、調査者が実装という技術的な詳細ではなく、科学的な問いそのものに集中できるようになると指摘されています。一部の研究者は、特定の眼科手術後の転帰を予測するツールのような、臨床研究用のカスタム計算機を構築するためにこれらのツールを使用しています。レビューの著者らは、これが生物医学インフォマティクスへのアクセスを民主化し、技術的なサポートを待つことなく、より多くの臨床医が自らの研究プロジェクトを主導できるようにする可能性があると示唆しています。

第3の領域は、病院を稼働させる複雑なインフラストラクチャ、具体的には異なるコンピュータ・プログラム同士が通信するためのシステムに関わるものです。病院は、患者の記録、検査結果、画像診断のために多くの異なるソフトウェア・システムを使用しており、それらを接続するには歴史的に専門のエンジニアが必要でした。レビューでは、経験豊富な統合アーキテクトが、自然言語による指示を使用して、通常であれば手動でのコーディングに数週間かかるデータパイプラインを構築した事例が見出されました。これは、高度に技術的なインフラストラクチャのタスクであっても、AIが既存の専門知識を増幅する役割を果たし、システム間で患者データを移動させるツールの作成を加速させることを示唆しています。最後に、レビューでは、請求やスケジューリングといった事務的なタスクについても調査しました。これらの領域は患者の安全性に対する直接的なリスクが少ないため、このテクノロジーの自然な出発点と見なされています。臨床医は、以前はIT部門全体を関与させる必要があった、書類作業の自動化、紹介の追跡、またはコンプライアンス管理のためのカスタムスクリプトを構築し始めています。

しかし、レビューは、ソフトウェアを迅速に構築できる能力が、そのソフトウェアが安全であることや、広範な使用に適していることを意味するわけではないことを明確にしています。研究者たちは、安全性と規制における重大なギャップを特定しました。一つの大きな懸念は、コードのセキュリティです。同様のAIツールによって生成されたコードの研究では、出力のほぼ半分にセキュリティ上の脆弱性が含まれていることが判明しており、これは患者データを保護しなければならないヘルスケアの設定において危険を伴います。また、医師がこれらのAIツールに指示を入力する際、誤って機密性の高い患者情報を含めてしまい、それが外部のサーバーに送信されてしまうリスクもあります。さらに、法的および規制の状況も不明確です。AIが書いたツールが患者に危害を及ぼすミスをした場合、誰が責任を負うのかはまだ定義されていません。現在の医療用ソフトウェアに関する規則は人間のプログラマー向けに書かれたものであり、機械との対話によって構築されたツールにそれらがどのように適用されるかは不透明です。

これらのリスクに対処するため、著者らは、ツールがもたらすリスクのレベルに基づいた、これらのツールを管理するための新しいフレームワークを提案しています。彼らは、教育シミュレーションや、プライベートな患者データを扱わないスケジューリング計算機のような低リスクのツールは、最小限の監視で展開できると提案しています。匿名化されたデータを扱う、あるいは事務的なワークフローをサポートするツールは、セキュリティとプライバシー法への準拠を確保するために、構造化されたレビュープロセスを必要とします。最も厳格な精査を受けるのは、臨床的な決定に直接影響を与える、あるいは識別可能な患者情報にアクセスするツールです。これらの高リスクなアプリケーションは、他のあらゆる医療機器と同様に、厳格なテストと検証を受ける必要があります。研究者たちは、作成方法が人間によるものかAIによるものであるかにかかわらず、最終製品に対する安全要件は変わらないはずであると強調しています。

レビューは、このテクノロジーがヘルスケアを変革する可能性は確かであるものの、現在の証拠は初期の実験や小規模なプロジェクトに限られていると結論付けています。これらのツールが患者の転帰を改善することを証明する大規模な研究は存在せず、成功事例の多くは、平均的なユーザーを代表しているとは限らない、意欲的な先駆者たちによるものです。著者らは、次のステップは、広範な採用を急ぐことではなく、必要なガードレールを構築することであると主張しています。これには、AIが生成したコードをテストするための標準化された方法の作成、臨床医にこれらのツールを安全に使用する方法を教えるための医学教育カリキュラムの更新、そして問題が発生した際に誰が責任を負うのかという明確なルールの策定が含まれます。「バイブ・コーディング」の約束は、ヘルスケアについて最もよく知っている人々が、自分たちに必要なツールを構築できるようにすることですが、その約束を実現するには、優れた医療の実践を定義するのと同様の厳格さ、忍耐、そして安全性への注力が求められます。