何が公開されたのか
AWS Machine Learning Blogが、放射線科のワークリスト（読影割当キュー）をAIエージェントで最適化する設計記事を公開した。記事は冒頭で、従来のワークリスト・システムが固定ルールに依存し、医師の専門性・現在の負荷・疲労度・症例の複雑さといったコンテキストを無視していると指摘する。
Research across 62 hospitals analyzing 2.2 million studies found […]
62病院・220万件規模の研究を引用し、放射線科医が容易で高単価な症例を選び、複雑症例を後回しにする『チェリーピック』が診断遅延とコスト増を生んでいるという問題提起から議論を始めている点が特徴だ。
なぜエージェント化が論点になるのか
ワークリスト最適化は本来オペレーションズ・リサーチの領域で、ルールエンジンやスケジューラで解かれてきた。AWSの提案はここを AIエージェント に置き換えるもので、医師の専門領域・現時点のキュー長・疲労シグナル・症例難度といった非構造的な入力を推論ループに渡し、割当判断自体をエージェントに委譲する構成になる。
日本の文脈で見ると、遠隔読影サービスや大学病院の読影センターが直接の応用先になる。一方で、症例割当は診断の遅延・見落としに直結するため、プログラム医療機器（SaMD）該当性の整理、判断ログの保存、人間承認のフロー設計が導入の前提になる。記事は実装パターンの参照点としては有用だが、薬機法・厚労省のAI医療機器ガイダンスとの整合確認は読者側の宿題として残る。同様の医療ワークフロー最適化はAWS Industries Blogでも複数事例があり、本記事はその系譜で読むのが妥当だ。
実装着手時の落とし穴
本家記事には書かれていないが、現場導入で詰まるのは『疲労度』『難度』のシグナル化である。電子カルテやPACSから直接取れる値ではなく、代理指標（連続読影時間、過去N件の所要時間中央値、症例タグ）を自施設で定義する必要がある。ここを曖昧にしたままエージェントに渡すと、最適化したつもりが偏った割当を強化する結果になる。
