医療・ヘルスケア向けDify活用（患者FAQ・文書処理）

医療業界での AI 活用の現状

医療現場では「医師の事務作業」が深刻な問題になっている。日本の医師は診療時間の約35%を書類作業に費やすという調査がある。また患者側も「予約方法がわからない」「薬の副作用が心配」等の疑問を持っても、受付に問い合わせるしかない状況が続いている。

Dify を活用することで、繰り返し発生する事務・情報提供業務を自動化できる。

---

ユースケース1: 患者向け FAQ ボット

シナリオ

病院の Web サイトや LINE 公式アカウントに設置するチャットボット。「初診の予約はどうすれば？」「MRI 検査の当日の注意事項は？」等の定型的な質問に 24 時間対応する。

患者: 「胃カメラの検査前は何時間前から絶食ですか？」
  ↓
ボット（3秒以内）:
  「胃カメラ（上部消化管内視鏡）検査の場合、
   前日の夜9時以降は食事を控えていただきます。
   水・白湯は検査2時間前まで少量なら可能です。
   コーヒー・牛乳・ジュースはご遠慮ください。
   
   ご不明な点は受付（03-XXXX-XXXX）にお問い合わせください。
   （出典: 胃カメラ検査案内 v2.4）」

ワークフロー設計

Chatflow 構成:

[ナレッジベース]
  登録文書:
  - 各検査・処置の案内文書（絶食・前処置・当日の流れ）
  - よくある質問集（Q&Aペアチャンキング推奨）
  - 診療科・外来時間の案内
  - 処方薬の服用指示（一般的な注意事項のみ）

[プロンプト設計]
System:
  あなたは〇〇クリニックの案内ボットです。
  患者さんに親切・丁寧にお答えください。

  重要な制約:
  1. 診断・治療の判断は行わない（「〇〇の可能性があります」等は言わない）
  2. 薬の処方量・変更は答えない
  3. 緊急症状（胸の痛み・呼吸困難等）には必ず救急連絡先を案内する
  4. 文書に根拠がない場合は「担当医にお尋ねください」と答える

---

ユースケース2: 診療記録サマリー生成

シナリオ

外来診察後、音声録音または手書きメモをテキスト化したものを Dify に渡すと、電子カルテ記載用のSOAPノートを自動生成する。

入力（診察音声の文字起こし）:
  「65歳男性、高血圧で通院中。今日は頭痛と肩こりの主訴。
   BP 145/88。前回処方のアムロジピン継続。
   生活習慣について塩分制限を再指導。次回1ヶ月後。」

出力（SOAP形式）:
  S（主観）: 頭痛・肩こりを訴える。
  O（客観）: BP 145/88mmHg。
  A（評価）: 高血圧コントロール中。症状は降圧不十分の可能性あり。
  P（計画）: アムロジピン継続。塩分制限指導実施。1ヶ月後再診。

ワークフロー設計

Workflow 構成:

[Start]
  │ {{transcript}}: 診察音声の文字起こし
  │ {{patient_id}}: 患者ID（ログ管理用）
  ▼
[LLM: SOAP ノート生成]
  │ モデル: Claude 3.5 Sonnet（医療文書の精度優先）
  │ → {{soap_note}}
  ▼
[Code: フォーマット整形]
  │ 電子カルテのインポート形式（HL7/FHIR等）に変換
  ▼
[HTTP Request: 電子カルテシステムへ登録]
  ▼
[End]

---

ユースケース3: 医療文書の構造化データ抽出

シナリオ

紹介状・退院サマリー・検査報告書から、患者基本情報・診断名・処方内容・アレルギー情報を自動抽出し、電子カルテに登録する。

入力: 紹介状テキスト

出力（JSON）:
  {
    "patient": {"name": "田中〇〇", "dob": "1960-03-15", "sex": "M"},
    "diagnosis": ["高血圧症 I10", "2型糖尿病 E11"],
    "medications": [
      {"name": "アムロジピン", "dose": "5mg", "freq": "1日1回"},
      {"name": "メトホルミン", "dose": "500mg", "freq": "1日2回"}
    ],
    "allergies": ["ペニシリン系"],
    "referring_doctor": "〇〇病院 内科 鈴木医師",
    "referral_reason": "血糖コントロール目的"
  }

---

個人情報・医療情報の取り扱い

医療データは最も機密性の高いデータの一つ。設計段階から考慮が必要。

データ保護の設計方針:

1. クラウド API に送らない選択肢を用意する
   → Ollama（ローカルモデル）または
   → Azure OpenAI（データレジデンシー保証・日本リージョン）

2. 患者 ID は匿名化・仮名化してから処理
   → 実名を LLM API に送らない
   → Dify の Code ノードで匿名化処理を挟む

3. ログの取り扱い
   → Dify のログには個人情報が含まれる可能性
   → セルフホスト環境でログを院内保管

4. 診断・治療判断はしない
   → プロンプトに明示的な制約を入れる
   → Human-in-the-loop で医師が最終確認

5. HIPAA / 個人情報保護法への対応
   → 利用規約・プライバシーポリシーに AI 利用を明記
   → 患者への同意取得プロセスを設計

---

実装の勘所

医療 RAG の精度を上げるコツ:

1. 医学用語の同義語を考慮する
   「心筋梗塞」=「MI」=「AMI」=「急性冠症候群」
   → システムプロンプトに用語リストを含める
   → または用語集をナレッジベースに登録する

2. 否定形を正確に処理する
   「アレルギーなし」≠「アレルギーあり」
   LLM はここを間違えることがある
   → 否定形を含む文書は特に人間が確認する

3. 数値の単位を明示する
   「BP 145/88」のように単位込みで
   → プロンプトに「単位を必ず含めること」と指示

4. バージョン管理
   ガイドライン・規約は定期的に改訂される
   → ナレッジベースの文書に「最終更新日」を必ず記載
   → 古い文書は削除または「改訂済み」タグを付ける

---

参考：他のユースケース

• RAGチャットボット構築 — FAQ ボットの基本設計
• PDFドキュメント分析パイプライン — 紹介状・検査報告書の処理
• 構造化データ抽出ワークフロー — 文書からの情報抽出パターン