医療・ヘルスケア業界では、患者データ・診療記録の品質がケアの質・医療安全・経営分析に直結するため、データ品質管理の重要性が特に高い領域です。電子カルテの普及が進む一方で、患者IDの統合問題・医療コードの不整合・診療記録の記述ゆれなど、医療固有のデータ品質問題が残っています。本記事では、医療・ヘルスケア業界固有のデータ品質問題を解説します。
医療・ヘルスケア固有のデータ品質問題
- 患者IDの統合問題：同一患者が複数の受診記録・健診記録・介護記録で別々の患者IDで管理されているケース。特に病院・クリニック・介護施設・薬局など施設をまたいだ患者情報の統合は、プライバシー規制との兼ね合いもあり難易度が高い
- 電子カルテの記述ゆれ：医師・看護師等が入力する電子カルテの自由記述やSOAP形式の記録には、表記ゆれ・略語・記述の粒度の差があり、NLP（自然言語処理）・AI活用の前には品質整備が必要
- 医療コードの不整合：ICD-10（国際疾病分類）・DPC（診断群分類）・薬品コード（HOT番号・YJコード）など複数の標準コードを使っているシステムで、コードのバージョン・マッピングが整合していないケース
- 二次利用・研究利用への制約：患者データを研究利用する場合は、研究の種類や利用する情報、適用される倫理指針等に応じて、倫理審査委員会による審査やインフォームド・コンセント、オプトアウト等の適切な手続きが必要になります。同意・拒否等の管理データの品質（いつ・誰が・どの範囲で意思表示したか）が研究利用の可否に影響します
医療データ品質改善の着手優先度
- 経営分析・DPCコーディング精度向上が目的：病名・診断コード（ICD-10・DPC）の入力精度の向上とコーディングルールの標準化から着手します
- 患者安全・重複投薬防止が目的：患者IDの名寄せによる患者同定精度の向上と、処方・薬剤情報の整合性確認を優先します
- AI・データ活用（PHR・予防医療）が目的：電子カルテデータの構造化・標準化から始め、AI学習データとして使える品質を確保します
医療データ品質の法規制・ガイドライン対応
医療データの品質整備は、患者安全と業務効率化の観点だけでなく、法規制・業界ガイドラインの要求事項として取り組む必要があります。主要な規制要件を整理します。
- 個人情報保護法・医療情報システムの安全管理に関するガイドライン（厚生労働省）：患者情報の取り扱い・保存・アクセス管理に関する要件が定められており、データ整備プロセスでも準拠が必要です。患者データのクレンジング・名寄せ作業では、作業者のアクセス権限と作業記録の保持が求められます
- DPC（診断群分類）コーディングの精度要件：DPC対象病院では、診断・治療内容等に基づく適切なコーディングが重要であり、コーディングの適切性はDPC制度における評価・診療報酬にも関係します。コーディング品質のモニタリングが重要です
- 臨床研究法・倫理指針への対応：患者データを研究・AI学習に活用する場合、研究の種類や利用する情報の内容、適用される倫理指針等に応じて、倫理審査委員会による審査・インフォームドコンセントまたはオプトアウト等の適切な手続きが必要です。同意管理データの品質（いつ・誰が・どの範囲で意思表示したか）が研究利用の可否を左右します
- 医療情報システムの安全管理に関するガイドライン・電子保存の要件：電子カルテ等の医療情報を電子的に保存・管理する場合、真正性・見読性・保存性の確保が重要です。医療情報システムの安全管理に関するガイドラインに基づき、アクセス制御・運用管理・バックアップなどの適切な安全管理が求められます。データ管理の品質は、監査や障害・インシデント発生時の対応にも影響します
院内データと外部データの連携品質管理
近年、院内データ（電子カルテ・レセプト・検査データ）と外部データ（PHR・介護記録・健診データ）を連携させる取り組みが増えています。連携時のデータ品質管理が重要課題になります。
- PHR（Personal Health Record）との連携：スマートフォンアプリ・ウェアラブル等からのバイタルデータをPHRとして管理・活用する場合、測定精度・記録の完全性・患者のIDとの紐付けの品質を確認します。測定機器ごとの精度差・欠損パターンが分析に影響します
- 介護・訪問看護記録との統合：病院退院後の介護施設・訪問看護のデータと連携する場合、記録様式・コード体系・患者IDの統一が課題です。施設をまたいだ患者IDのマッピングは患者プライバシーへの配慮が必要です
- 健診データの活用：企業健診・自治体健診のデータを予防医療・健康増進に活用する場合、健診機関・測定年度によって検査値の定義・単位が異なることがあります。データの出所と測定条件の記録が分析品質に影響します
AI・予防医療活用に向けたデータ品質要件
医療AI（診断支援・予測モデル）や予防医療プログラムにデータを活用するには、モデルの目的・リスク・利用環境に応じて、データの正確性・完全性・代表性・時系列整合性などをより慎重に評価する必要があります。AIモデルの性能と信頼性はデータの品質に強く依存します。
- 完全性：欠損データがランダムではなく特定のパターンで偏っている場合（例：重症患者の記録が欠けやすい等）、モデルが偏った学習をする可能性があります。欠損パターンの分析と補完方法の検討が必要です
- 代表性：学習データが実際の利用環境の患者集団を代表していることを確認します。特定の病院・年齢層・地域に偏ったデータで学習したモデルは、異なる集団への適用で精度が低下します
- 正確性：医師・看護師の記録の揺れ（略語・記述スタイルの差）や入力ミスがモデルの品質に影響します。AI学習に使うデータには、一般的なBIデータよりも厳格なクレンジングとバリデーションが必要です
- 時系列の整合性：時系列の順序が正しいこと（処置前の検査値が処置後として記録されていない等）、タイムスタンプのズレがないことを確認します。予後予測・治療効果分析では時系列の正確性が分析結果に直結します
よくある質問
患者IDの名寄せは具体的にどのように進めればよいですか？
患者IDの名寄せは「同一人物の複数レコードを統合する作業」で、氏名・生年月日・住所・電話番号などの属性をルールベースまたは機械学習を用いてマッチングします。医療機関では氏名の表記ゆれ（漢字・カタカナ・読み方）や旧姓の扱いに配慮が必要です。また名寄せにはプライバシー保護の観点から適切なアクセス管理と作業手順の文書化が求められます。完全自動化は難しく、最終確認は担当者が行う半自動のプロセスが現実的です。
電子カルテのテキストデータをAI学習に使う前に何を確認すべきですか？
①個人情報・要配慮個人情報の取り扱いが適切か（患者氏名・ID・生年月日等の除去、匿名加工情報・仮名加工情報を利用する場合はそれぞれの法的要件も確認）、②研究目的の場合は適用される倫理指針等に応じた審査・同意等の手続きが整っているか、③テキストのエンコード・文字化けがないか、④記録者の職種・時期・病棟によってどのような記述の偏りがあるかの把握、⑤学習に使うデータが研究対象の集団を代表しているか——これらを事前に確認した上で、AIベンダーと品質要件を合意することが重要です。
医療データの品質整備はどこから始めるべきですか？
「何を目的としているか」によって着手順序が変わります。経営分析・診療報酬最適化が目的なら、ICD-10・DPCコードの入力精度向上とコーディングルール標準化から始めます。AI・データ活用（診断支援・予防医療）が目的なら電子カルテの構造化と学習データの品質確認が先です。患者安全・重複投薬防止が目的なら患者IDの名寄せを優先します。まずは最もインパクトが大きい目的を一つ決め、その目的に必要な品質水準を明確にしてから整備を進めることで、効率的に成果を出せます。
まとめ
医療・ヘルスケア業界のデータ品質問題は「患者ID統合・電子カルテ記述ゆれ・医療コード不整合」が主な課題で、プライバシー規制・倫理審査との兼ね合いが整備を複雑にしています。AI・データ活用の目的から逆算して必要な品質水準を定め、段階的に整備することをお勧めします。医療・ヘルスケア業界のデータ品質整備についてはBFT Insightにご相談ください。