デジタルツインで医療ワークフローを最適化：次世代病院情報システムOMNI-SYSの可能性
解説対象論文: Expanding research on clinical agent data to a virtual space of location, time, and context: exploration of data structures and limitations using a pragmatic digital twin
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年9月21日時点）
現代の医療現場では、断片化したデータと柔軟性のない病院情報システム（HIS）が、研究や業務プロセスの最適化を妨げる大きな課題となっています。従来のHISは、物理的なリソース、空間的関係、時間的依存性を十分に表現できていません。この課題を解決するため、本研究では、時間・場所・文脈の3次元空間でオブジェクトを表現する実用的なオブジェクト中心型病院情報システム（oHIS）フレームワーク「OMNI-SYS」の応用可能性を探っています。術前の対象者追跡を例に、OMNI-SYSがいかにプロセス分析や臨床ワークフロー最適化に適した構造化データセットを生成するかを実証しました。
医療現場のデータ課題とOMNI-SYSの登場
どうも、Beyond the Pixelです。医療現場では、デジタル化の進展に伴いデータが豊富になってきていますが、そのデータは往々にして断片化され、現在の病院情報システム（HIS）の構造は柔軟性に欠けるという課題があります。これにより、日常的なデータ活用が研究や業務プロセス最適化に繋がりにくい状況が生まれています。従来のHISでは、物理的なリソース、空間的なつながり、様々な医療エンティティ間の時間的な関係性を十分に表現できないことが多く、これが高度なデータ分析を阻害しています。
このような背景のもと、本研究は、このデータ課題を克服するための新たなアプローチを提案しています。「OMNI-SYS」は、「時間」「場所」「文脈」という3次元空間内で様々なオブジェクトを表現する、実用的なオブジェクト中心型病院情報システム（oHIS）フレームワークです。デジタルツインの考え方を応用し、断片化されたデータを統合し、医療現場のより深い理解と効率化を目指します。著者らは、術前の対象者追跡を具体例として用い、OMNI-SYSがいかに構造化されたデータセットを生成し、それがプロセス分析や臨床ワークフローの最適化にどのように役立つかを示しました。
OMNI-SYSとは？オブジェクト中心のデジタルツイン
OMNI-SYSは、病院内の動的オブジェクト（例：対象者、専門家）と静的オブジェクト（例：医療機器、部屋）の両方をモデル化する「実用的なデジタルツイン」として開発されました。デジタルツインとは、物理的なものやプロセスの仮想レプリカであり、リアルタイムデータを統合してシミュレーションや分析に利用する技術です。このシステムは、病院内のエージェント（行動主体）を、時間、場所、文脈という3つの次元を持つオブジェクトとして表現します。OMNI-SYSは、このオブジェクト中心のパラダイムに基づく未来の病院情報システム（oHIS）のビジョンにおける具体的な研究フレームワークおよびプロトタイプとして位置づけられています。
ここで「実用的 (pragmatic)」という言葉は、プロセスに関連するデータのみを捕捉・モデル化することを意味しており、手動データ入力やQRコードスキャンから、コンピュータビジョンなどの高度な方法まで、柔軟でスケーラブルなアプリケーションを可能にします。
図1は、OMNI-SYSのユーザーインターフェースを示しています。Aは術前対象者の追跡画面を、Bはオブジェクト間のリアルタイムな相互作用ネットワークビューを示しており、オブジェクトが場所を変更するたびに動的に更新されます。
シミュレーションを通じたデータ収集：術前経路の追跡
この実現可能性調査は、ミュンヘンのTUM大学病院で行われました。研究チームは、18名の健康なボランティアを募り、7種類の一般的な消化器外科手術の術前経路を事前に定義し、それに従って各ボランティアに移動してもらいました。参加者は、管理登録、術前投薬、心電図（ECG）、肺機能検査、内視鏡検査、CT、MRIといった実際の病院部門を移動し、その際に「OMNI-SYS」を使用して空間的・時間的なイベントが記録されました。
OMNI-SYSは、研究期間中のすべての関連するエージェントとその相互作用を捕捉し、データを統合するオブジェクト中心のデジタルツインとして機能しました。その結果、88個のタイムスタンプ付きイベントを含むデータセットが生成され、その構造と高度なデータ分析への適合性が分析されました。
表1は、研究で設定された7種類の外科手術に対する術前経路の要件を示しています。各手術手順は、臨床的妥当性と頻度に基づいて選択され、関連するすべての手順で管理登録、術前投薬相談、心電図（ECG）の訪問が必要とされました。
表2は、OMNI-SYSのデータログからの抜粋で、架空の名前が使用されています。18:42に、対象者Amanda ThomasがCTスキャン検査室にいるときに、3名の専門家と3名の専門家がデバイス「CTスキャナー」と共に関与している様子が記録されています。このように、データはタイムスタンプ、対象者識別子、場所、文脈メタデータを捕捉する構造化されたイベントログとして記録されました。データ収集は、各ステーションに設置されたQRコードを参加者がスマートフォンでスキャンすることで行われ、手動記録による冗長性も確保されました。
データ分析の成果：プロセス理解と効率化への道
OMNI-SYSによって生成されたオブジェクト中心のデータが、プロセスマイニングやAIベースのアプローチに構造的に適しているかどうかが評価されました。このデータセットは、以下の分析を通じてその能力を示しています。
プロセスディスカバリー
イベントログから直接フォローグラフ（DFG）が構築され、対象者の場所の遷移と平均移動時間が示されました。このDFGは複数の経路バリアントを捕捉し、例えば管理登録から5つの異なる場所への遷移が可能であり、集団内の経路順序の多様性を反映していました。また、イベントログをオブジェクト中心イベントログ（OCEL）形式に変換することで、オブジェクト中心DFG（OCDFG）が作成されました。OCDFGは、対象者が活動間を移動する様子や、リソースオブジェクト（専門家、専門家、デバイス）が静止している様子をモデル化します。
図2は、プロセスマイニングモデルを示しています。Aは、対象者の移動と平均移動時間を視覚化した直接フォローグラフ（DFG）です。Bは、オブジェクト中心直接フォローグラフ（OCDFG）モデルで、丸いノードはオブジェクトタイプを、四角いノードはイベント（活動）を表しています。OCDFGは、各ステーションでのリソースエンゲージメントのレベルを示し、専門家やデバイスが対象者とどのくらいの頻度で相互作用するかを区別します。この分析により、管理登録での専門家の関与が肺機能検査よりも高いなど、リソース利用と共有のパターンが明らかになりました。
グラフネットワークと混雑の可視化
対象者の遷移頻度を視覚化したグラフネットワークは、管理登録、心電図、術前投薬の各ステーションを中心としたハブ・アンド・スポーク構造を示しました。管理登録は、すべての経路の入り口と出口の両方として機能する中央調整ハブであり、他のすべてのステーションとの双方向接続を持っていました。CTスキャン、内視鏡検査、MRI、肺機能検査といった専門ステーションは、この中心三角形から分岐していました。この種のデータ構造は、実際の臨床現場で混雑のリスクがある場所を特定するのに役立つ可能性があります。
この研究における「混雑 (congestion)」という用語は、複数の対象者が同じ3次元の場所、時間、文脈で同時に存在することを指します。これは、対象者の存在が空間と時間においてどれほど密に集中しているかの尺度であり、実際の管理登録での対象者の蓄積のような状況を反映しています。この混雑は、ボトルネックが発生しやすい場所の指標として扱われます。
対象者の同時発生と経路の差異
研究期間中の全7か所における対象者の同時発生イベントの時間分布が示されました。これは、同じ1分間のウィンドウ内で2人の対象者が同じ場所にいることを示すものです。
図4は、対象者の同時発生と経路の特性を示しています。図4Aは、対象者の同時発生イベントの時間分布を示しており、管理登録で初期に高頻度の同時発生が集中し、その後、参加者が次のステーションに移動するにつれて徐々に分散していくパターンを明らかにしています。MRIや肺機能検査のような専門ステーションでは、同時発生は全く見られませんでした。
図4Bは、総移動時間順に並べられた個々の対象者の経路タイムラインを表示しています。これにより、経路構造が類似していても、対象者ごとに経験に違いがあることが強調されます。例えば、同じ数のステーションを経由する経路であったとしても、特定の対象者が術前プロセスを完了するためにより多くの時間を要した事例も示され、個別の移動経路の差異もデータ構造によって捕捉されることが示されています。
機械学習への適用可能性
このデータセットは、機械学習モデルの訓練に適した特性を持っています。ロギングメカニズムにより、一貫した特徴定義とデータの完全性が確保され、バイアスやノイズが低減されます。本研究で収集されたデータセットは、有意義な機械学習手法を適用するには小規模ですが、臨床現場で大量の同様に構造化されたデータを記録するoHISのようなプラットフォームの必要性を示唆しています。数百人の対象者の経路を追跡すれば、予測には十分である可能性が示唆されています。より複雑な方法に関しては、データセットの要件は多項式的に増加します。
議論：医療ワークフロー改善への示唆
本論文では、oHISがプロセス最適化とAIモデル開発の研究に貢献する可能性が評価されています。以下に、3つの異なる視点からその知見を考察します。
プロセス最適化の側面
OMNI-SYSから導出されるデータ構造は、プロセスマイニングを適用することで、プロセスやリソースのエンゲージメントを発見するために利用できます。既存の病院情報システムは、データが相互に接続されていないリレーショナルテーブルに保存されているため、対象者、専門家、デバイスが特定の場所と時間でどのように連携するかを再構築することが困難です。OMNI-SYSは代わりに、各エージェントを時間、場所、文脈の3つの次元に沿ってモデル化し、これらの関係を直接保持します。データ駆動型のオブジェクト中心プロセスマイニングは、理想化されたプロセスモデルで見落とされがちな制約や目標を特定し、複雑な臨床スケジューリングの問題を定式化し解決するのに役立ちます。待ち行列理論などの運用研究手法も、対象者フロー、リソース配分、医療現場での混雑をモデル化するために長く適用されてきました。OMNI-SYSが生成するオブジェクト中心データは、対象者とリソース間の各相互作用の空間的、時間的、関係的文脈を保持しており、このようなモデルを現実の臨床データで構築しテストするために必要な詳細なデータを提供する可能性があります。
データサイエンスからの視点
OMNI-SYSを通じて収集されたデータセットは、機械学習モデルの訓練を促進する方法を示しています。例えば、空間時間予測と最適化ソルバーを組み合わせることで、専門家のスケジューリングを改善し、待ち時間の推定や混雑の予測を可能にすることができます。強化学習は、術前経路を介した効果的なルーティングや、複数の対象者の予約の最適スケジューリングに対処できる可能性があります。このように、OMNI-SYSが生成するデータは、現在の非効率な臨床ワークフローを強化するためのデータサイエンス技術への幅広い適用可能性を示唆しています。
臨床現場への潜在的貢献
新しい技術ソリューションや研究の日常臨床ルーチンへの組み込みは、追加の作業負荷、複雑さ、エラーの可能性のために臨床専門家の間で受け入れられにくいことがあります。oHISのような研究プラットフォームは、現実世界のオブジェクトをミラーリングし、潜在的な中断を可視化し、最終的に複雑な臨床プロセスへの理解を深めることで、ワークフローに関する研究の科学的評価と革新的な技術の翻訳のための直感的かつ透明性の高い代替手段を提供できるでしょう。この意味で、oHISは、実際のプロセスデータを自動的に収集することを可能にすることで、臨床実践と科学の間のギャップを埋めるのに役立ちます。
研究の限界と今後の展望
本研究で収集されたデータセットにはいくつかの限界があります。研究の焦点がデータの構造にあったため、このデータは臨床的な推論や実際の対象者の経路に関する結論を導き出すために使用することはできません。18名の少数の参加者は、データの構造と表現能力を示すための意図的な結果であり、統計的に信頼できる知見を裏付けるためのものではありませんでした。このデータセットの構造は、将来の展望的研究を設計するための基礎を提供します。
また、経路はシミュレーションされ意図的に構築されたものであり、自然に発生する臨床行動を観察したものではありません。データセットが小さく、経路が事前に決定されているため、適用されたプロセスマイニングモデルは過学習のリスクがあり、一般的なプロセス構造ではなく、これらの特定の事例の特性を捉える可能性があります。これらの理由から、本論文のプロセスマイニングの結果は、検証されたモデルではなく、概念実証として提示されています。
データ収集中には、リアルタイムのQRコードスキャンがネットワーク接続の問題により一時的に利用できなくなり、手動で入力されたタイムスタンプでデータを補完する必要がありました。フレームワークは各エージェントの場所、時間、文脈の自動更新をサポートしており、今後の作業では信頼性の高いリアルタイム捕捉のために複数の入力モダリティを統合することを目指しています。参加者が実際の臨床処置を受けなかったため、処置時間は計算されませんでした。将来の研究では、様々なトラッキング技術を統合し、コンテキストを認識するシステムを実現することを目指しています。
結論
OMNI-SYSのようなoHISフレームワークは、現代の評価に適した構造化されたデータセットを提供することで、日常的な臨床データやプロセスマイニングを促進することができます。著者らの研究では、OMNI-SYSが医療エンティティとその相互作用をモデル化するオブジェクト中心のデータを生成し、現在のデータインフラストラクチャの主要な限界に対処できることを示しました。これらの結果は、現実世界の研究を設計し、日常の臨床ワークフローを分析し、データ構造を調整して臨床ルーチンと研究の間のギャップを埋めるための基礎を提供します。このアプローチは、手術におけるオブジェクト中心の臨床研究の青写真として機能するでしょう。
用語集
- OMNI-SYS: 病院内の動的・静的オブジェクトを時間・場所・文脈の3次元でモデル化する、実用的なデジタルツインの概念に基づく研究フレームワーク。
- oHIS (オブジェクト中心型病院情報システム): オブジェクト中心のパラダイムに基づいて設計された、次世代の病院情報システムフレームワーク。
- デジタルツイン: 物理的なシステムやプロセスの仮想レプリカで、リアルタイムデータを統合し、シミュレーションや分析を可能にする技術。
- プロセスマイニング: イベントログから実際のワークフローを再構築し、実行の適合性をチェックし、改善機会を特定するデータ分析手法。
- オブジェクト中心: データが個々の実体（対象者、専門家、デバイスなど）とその相互関係を中心に構築されるデータ表現方法。
- 混雑 (Congestion): 複数の対象者が特定の場所、時間、文脈で同時に存在すること。ワークフローにおけるボトルネックの潜在的な指標。
コメントを残す