Clinical Reasoning in the AI era: A focused scoping review and narrative synthesis of conceptual, pedagogical, and assessment frameworks in health professions education

全体像：「GPS」問題

あなたが誰かに車の運転を教えているところを想像してみてください。長年、あなたは「優れた運転」とはどういうものかという明確な地図を持ってきました。ルールを知っていること、道路の状況を読むこと、突然の嵐に対処すること、そして、直感を信じるべきかダッシュボードを信じるべきかを判断できること、などです。

ここで、新しい**「スーパーGPS（人工知能）」**がすべての車に搭載されたと想像してください。このGPSは、どこで曲がるべきかを正確に教え、交通量を予測し、さらにはあなたの運転記録まで代わりに作成してくれます。

この論文が指摘している問題は、これです。私たちはGPSを使ってドライバーを採点していますが、そのGPSが実際にドライバーに「運転の仕方」を教えているのかどうか、確信が持てていないのです。

著者であるナオミ・キャンベル＝ウッズ（Naomi Campbell-Woods）は、数百もの研究を調査し、医学部が学生に「医師のように考えるスキル（臨床推論と呼ばれるもの）」を教えるために、この「スーパーGPS」をどのように活用しているかを調べました。彼女は、テクノロジーは非常に印象的である一方で、私たちは「運転の技術」のうち、GPSで測定しやすい部分ばかりをテストしており、医師を真に安全にするための「人間臭い、複雑な部分」を無視してしまっていることを発見しました。

---

第1部：混乱した地図（「何」を学ぶか）

AIの話をする前に、この論文は、医学教育が「臨床推論」とは一体何であるかという合意形成に苦労してきたことを指摘しています。それは、まるで「優れた料理」とは何かについて合意がないまま、人にシェフになる方法を教えようとするようなものです。

論文によれば、専門家は現在、「優れた思考」を主に3つの方法で説明しています。

1. 図書カード・システム（スクリプト理論）： 医師は知識を図書館のように整理しています。患者に接する際、彼らは特定の疾患に関する「スクリプト（脳内のファイル）」を取り出します。
2. 速い脳 vs 遅い脳（二重プロセス理論）： 優れた医師は2つのモードを使い分けます。「直感的な速いモード」と、慎重に「事実を確認する遅いモード」です。
3. チームスポーツ（状況的認知）： 思考は真空の中で起こるものではありません。それは、不安を感じている患者、疲れた看護師、そして時間のプレッシャーが存在する、混沌とした病室の中で起こります。思考を環境から切り離すことはできません。

問題点： 長い間、医学部はこれらを単一の最終試験でテストしようとしてきました。論文は、これはスポーツチームのシーズン全体の成績を、たった一つのプレーだけで判断するようなものだと述べています。それではうまくいきません。

---

第2部：AIによるショートカット（「どのように」学ぶか）

ここでAIが登場します。この論文は、AIが医学部生を教育またはテストするために使用された158の研究をレビューしました。

AIが得意としていること：
AIは、整然としており、書き留められ、構造化されているものを採点することに長けています。

• 比喩： AIは非常に厳格な司書のようなものです。あなたが正しい症状を書き込んだか、診断が教科書と一致しているか、そしてメモの形式が正しく整っているかを瞬時にチェックできます。
• 結果： 研究によれば、AIを使用することで、学生はこれらの特定のタスクにおいて習熟度が向上することが示されています。彼らはより速くデータを収集し、より優れたメモを書けるようになります。

AIが逃しているもの：
AIは、人間特有の、「その瞬間」の、混沌とした思考の部分を測定するのが苦手です。

• 比喩： 司書はあなたの綴り（スペル）をチェックすることはできますが、あなたが患者に対して難しい質問をする勇気を持っていたか、あるいは、道が冠水しているためにGPSを無視すべきだと判断できたかどうかまでは分かりません。
• ギャップ： この論文は、AIの研究において以下の要素がほとんど測定されていないことを明らかにしました。
  • 学生が不確実性（答えが明確でない状況）にどう対処するか。
  • 状況が変わったときに、どのように適応するか。
  • 単にAIを盲信しているのか、それとも自分自身で考えているのか。

---

第3部：「脱技能化（デスキリング）」の危険性

論文は、**「脱技能化（De-skilling）」**と呼ばれる特定の懸念について警告しています。

• 比喩： もし毎日、GPSに車の運転を任せていたら、あなたは地図の読み方や吹雪の中でのハンドル操作を忘れてしまうかもしれません。
• リスク： もし学生が、（診断を導き出すといった）難しい思考をAIに頼りすぎてしまうと、自分自身でその思考を行う術を学ぶことができなくなります。彼らは「決してスキルを身につけられない（never-skilled：一度も学べない）」状態になるか、あるいは「誤ったスキルを身につける（mis-skilled：AIを模倣することで間違ったやり方を学ぶ）」状態になる可能性があります。

論文は、学生が（AIがサポートしてくれる）コンピュータ・シミュレーションから実際の患者へと移行した際、AIの助けがしばしば消失することを指摘しています。学生たちのパフォーマンスは現実の世界では向上しておらず、これはAIが「教師」ではなく、単なる「松葉杖（依存対象）」であったことを示唆しています。

---

第4部：提案される解決策（新しいフレームワーク）

著者は、AI時代における新しい「ルールブック」が必要であると主張しています。古いテストに新しいツールを当てはめるだけでは不十分なのです。

彼女は、AI時代の思考とテストのための**「6層のケーキ」**を提案しています。

1. 知識の組織化： 彼らの脳内の図書ファイルは整理されているか？
2. プロセスの実行： ヒントから結論へと進むための「方法」を知っているか？
3. 不確実性の処理： 答えが明確でないとき、冷静さを保てるか？
4. 文脈的パフォーマンス： 静かなテストルームだけでなく、騒がしく忙しい病院の中でも適切に思考できるか？
5. 社会技術的判断（Sociotechnical Judgment）： これが新しい要素です。AIに主導権を握らせることなく、AIを道具として使いこなせるか？ 「AIはXと言っているが、私は理由があってYだと思う」と言えるか？
6. プログラム的アーキテクチャ： 一度の大きなテストではなく、学生を公平に評価するために、多くの小さな証拠（ポートフォリオのようなもの）を集める長期的なシステムが必要です。

結論

論文は次のように結論づけています。AIは医学教育を壊したわけではありませんが、その基礎にある「ひび割れ」を露呈させたのです。

私たちは、思考の「簡単な」部分（メモを書いたり、診断を選んだりすること）を測定する優れたツールを持っていますが、「難しい」部分（不確実性を扱うことや、コンピュータを無視すべき時を知ること）を測定することに失敗しています。

教訓： 私たちは単にAIの試行実験を増やすべきではありません。学生が、AIを「航海士」として使いこなし、自らが**「船長」**であることを学ぶための、新しいフレームワークを構築する必要があります。そうでなければ、私たちは「コンピュータを使うのは得意だが、自分自身で考えることはできない」医師を生み出してしまうことになるでしょう。