ローカルLLMとは。患者の情報を外に出さない院内AIの仕組みを、一人社長の目線で整理

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。今回紹介するのは、ITmedia AI＋が2026年11月9日に公開した、村田知己さんの記事です。院内のローカルLLMで患者の情報を外に出さない、本郷真砂ハートクリニックを取材した内容です。

私が保存したブックマークから、この記事を取り上げます。以前書いた、任せる範囲を決めて範囲ごとに確かめるという考え方を、クリニックの実例で確かめ直したいと思ったからです。お客様の情報を預かる仕事の人には、他人事ではない話だと思うんです。

読み方の筋は、外に出さない院内AI、Claude Codeでの自作、問診票は候補まで、音声認識は実験段階、カルテ要約は補助、事務員1人分、空いた時間と覚悟、の順です。外に出せない情報を持つ仕事の人に向けて、1章ずつ私の読みを添えます。

ITmedia AI＋の記事（クリニックが外のAIサービスを使う時の壁の紹介）

患者の機微な情報を取り扱うクリニックでは、国が策定した医療情報の取扱いに関するガイドライン「3省2ガイドライン」を満たしたサービスを使う必要があり、AIを業務に利用するのはハードルが高い。

患者の機微な情報を扱うクリニックでは、国が決めたガイドラインを満たしたサービスを使う必要があり、AIを業務に入れるハードルが高い、と村田知己さんはITmedia AI＋の記事で書いています。

話題になったのは、2026年9月に都内のクリニックがWebサイトに載せたお知らせです。

院内のサーバーで動かすローカルLLMで診療情報を処理して、外部のAIサービスには患者の情報を送らない、という内容でした。ローカルLLMとは、自分の機械の中で動かすAIのことです。

ITmediaの記事によると、AIで仕事を効率化する人は着実に増えていて、その多くがChatGPT、Claude、Geminiのようなクラウドで提供されるAIサービスを使っているそうです。

ただ、ITmediaの記事では、医療情報の取扱いに関するガイドライン「3省2ガイドライン」を満たすサービスを使う必要がある、と整理されています。

取材先は本郷真砂ハートクリニック（東京都文京区）です。院長の村岡洋典さんが、米Appleの「Mac Studio」で自ら環境を構築した、と村田さんは書いています。

筆者の村田さんが患者役になって、受付から次回予約まで体験し、仕組みと導入効果を聞いた取材です。

ここで1つ押さえたい点があります。元記事は、この受診が取材のための模擬的なもので、実際の診療プロセスとは異なる場合がある、と断っています。この記事でも、その前提のまま読み進めます。

途中で、画像の認識に対応したAIモデルのVLMや、誰でも手元に置いて動かせる形で公開されたAIモデル（オープンウェイト）も出てきます。出た所で、その都度言い換えます。

私の読みです。一人社長や士業、医療や介護に近い仕事のように、外に出せない情報を持つ人が、まず何を手元に置くかを考える入口として読めるんじゃないかな、と思います。

クラウドのAIを使うかどうかの前に、情報の置き場所を決める。地味ですが、ここが出発点です。

ITmedia AI＋の記事（院長が自作したシステムの紹介）

なお、同氏は医療情報を処理するためのシステムをClaude Codeで開発しているのであって、医療情報そのものをClaude Codeで処理しているわけではない。

村田さんの記事によると、村岡さんは医療情報を処理するシステムをClaude Codeで開発していて、医療情報そのものをClaude Codeで処理しているわけではありません。

AIが処理する物と、AIで作る物を分けている、という話です。

本郷真砂ハートクリニックでは、10月からマイナンバーカードを診察券の代わりに使えます。Webで予約済みの患者がカードリーダーにかざすと、予約システムが予約を探し出して、スタッフを介さず受付まで済みます。

予約をしていない患者は、カードをかざすと患者IDが自動で作られます。ただ、予約の登録や追加情報の入力は、スタッフの手作業です。全部が自動になったわけではないんですよね。

この予約システムは、学生時代から自作PCに親しんできた「PCマニア」の村岡さんが、コーディングエージェントのClaude Codeで自作し、従来の外部サービスから切り替えたものです。

2026年に入ってAIのコーディング能力が急速に高まったこと、Xで同じ取り組みをする医師に刺激を受けたことがきっかけで、4月に開発を始めた、とITmediaの記事は書いています。

AI氣道『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』より

「私が手元で確かめて書き残したのは、社外に出したくないメモの一次整理に向く、という所まで。私の答えは、任せる範囲を決めて、範囲ごとに確かめる、です！」

任せる範囲の決め方について、私は『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』で書いています。

院長がAIを開発の側と処理の側に分けているのは、任せる範囲を決めて、範囲ごとに確かめる、という私の考え方と同じ向きに見えます。AIに何を任せるかは、使う場面ごとに決める。ここが出発点なんですよね。

診察室の電子カルテの横に出るダッシュボードも、村岡さんがClaude Codeで開発しました。ダッシュボードは、予約システムや電子カルテなど、複数のシステムの状況を一目で確認できる画面のことです。

私の読みです。AIを使う場面は、情報を処理するAIと、仕組みを作るAIの2種類に分かれます。外に出せない情報を持つ仕事でも、手元で試すなら、仕組みを作る側から入るのが近道かもしれません。

ただし、どちらも任せる範囲は先に決めたいです。

ITmedia AI＋の記事（手書きの問診票をAIで読む流れの紹介）

ただし、あくまでAIが担うのはひも付ける候補を示すところまで。最終的にひも付けるのは必ず人が行うと村岡氏は強調した。

村田さんの記事では、AIが担うのはひも付ける候補を示すところまでで、最終的にひも付けるのは必ず人だ、と村岡さんが強調しています。AIは候補、人は決定、という線引きです。

Web問診票なら、予約システムを介して自動で医師に情報が共有されます。一方で、電子入力に慣れない人のために、手書きの問診票も手放せないそうです。

手書きの問診票を受付でスキャンすると、院内のMac Studioがファイルを検知します。

ローカルで動くVLM、つまり画像の認識に対応したAIモデルが、氏名や生年月日などを読み取って、電子カルテ上のどの患者の書類か、候補を示します。

以前は、PDFを1つずつ開いて名前を見て、カルテにひも付けていました。膨大で、間違いも起きやすい作業だったそうです。

一般的なOCR、つまり画像の文字を読み取る仕組みは、様式ごとに欄の位置を覚え込ませる必要がありました。VLMなら様式を問わず認識できるので、重宝している、とITmediaの記事にあります。

流れを順に並べると、スキャン、ファイルの検知、VLMによる読み取りと候補の表示、人の確認、ひも付け、となります。AIが担うのは、読み取りと候補の表示までです。

AI氣道『説明責任は任せられない、AIエージェントに作業を任せる時に人が持つ習慣を動画から整理する』より

「私は、AIに任せるほど「頼む前に線を引く」ことが大事になる、と思っている側です。」

頼む前の線引きについて、私は『説明責任は任せられない、AIエージェントに作業を任せる時に人が持つ習慣を動画から整理する』で書いています。

私の読みです。AIが候補を出して、最後は人が決める。この線は、「頼む前に線を引く」という私の考えと同じ向きです。任せる作業が増えるほど、どこまでがAIで、どこからが人か、先に決めておく価値が上がるんですよね。

手書きの紙をAIに読ませる場面は、士業の事務所や小さな店にもありそうです。紙の申込書、領収書の束、お客様ごとの資料の仕分け。名前を見て、どのお客様の物か決める作業は、身近な所にもあるかもしれません。

候補を出してもらい、決めるのは人。自分の仕事に置き換えると、どの作業が当てはまるかな、と考えてみるのがよさそうです。

ITmedia AI＋の記事（診察の音声認識の実験段階の紹介）

ただ、これはまだ実験段階だ。村岡氏は「まだ私の方が打つのが早い」とこぼし、本格的な実用化にはまだハードルがありそうだ。

診察室でAIに音声を文字にさせる試みは、まだ実験段階です。村岡さんは「まだ私の方が打つのが早い」とこぼしていて、本格的な実用化にはハードルがある、と村田さんの記事は書いています。

村田さんが診察室に入ると、電子カルテの横にダッシュボードが表示されていました。カルテを開くと別画面に自動で立ち上がる作りで、村田さんの患者情報も既に出ていた、とあります。

患者用の椅子の前には、クリニックではあまり見ない本格的なマイクがあります。このマイクで取り込んだ音声をAIがリアルタイムで文字起こしして、電子カルテの入力をサポートする仕組みです。

動かしているのは、米OpenAIの音声認識モデル「Whisper」です。Mac Studio上でローカルに動作させています。

医師が画面ばかり見て患者と向き合わない、そんな診察をなくそうと作った、と村岡さんの狙いが紹介されています。

壁になっているのは、話者の区別です。看護師や家族が加わると、誰の発言か見分けにくい場面が多いそうです。そこで今は、主に後で読み返すための記録用途に役立てている、と書かれています。

ここで確かめたいのは、実験段階という言葉の重みです。記事の中で、できていない所と、役に立っている所が同じ段落に並んでいます。期待を盛らずに書く姿勢は、AIの話を読む時のよい目安になります。

私の読みです。うまくいかない所を隠さず、使える所に置き直して続ける。この使い方は、地味ですが強いなと思います。AIに任せる範囲を決める時、できなかった実験の結果も、線を引く材料になるからです。

音声の文字起こしは、会議や面談、お客様との打ち合わせにも関わる話です。まずは記録用に絞る、という置き方は、外に出せない情報を持つ仕事でも検討しやすい形かな、と思います。

ITmedia AI＋の記事（カルテ要約と補助は補助という考えの紹介）

医学の専門用語、略語を誤って解釈するなど、まれにハルシネーションも発生するため、村岡氏は「やっぱり補助は補助です。コピペはしません」と話し、問診票の電子化と同様、あくまで診療の補助として利用すると強調した。

村岡さんは、ハルシネーションがまれに起きるため「やっぱり補助は補助です。コピペはしません」と話した、と村田さんは書いています。ハルシネーションは、AIがもっともらしい間違いを出すことです。

問診票と同じく、あくまで診療の補助として使う、という線引きでした。

村岡さんが「最もローカルLLMが役立つ」と挙げるのは、過去のカルテの要約です。カルテは受診のたびにたまるので、患者が過去に話した重要な事柄が埋もれるリスクがあります。

ワクチン接種歴や薬の副反応のような重要な情報をAIがすくい上げ、端的にまとめます。治療方針の相談や、他院への紹介状を書く時に重宝するそうです。

使い方は、サマリを膨大なカルテの「目次」にして、必要に応じて元のカルテを見返す形が多い、と村岡さんは話しています。電子カルテのデータは読み取るだけで、自作のアプリから書き込むことは一切しません。

AI氣道『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』の別の節より

「手元で動くことと、出力が原文どおりであること。この2つは別の話です。」

出力の確かめ方について、私は『ローカルLLMはどこまで実用か、外のAIに渡す前に手元で個人情報を置き換える』で書いています。

私の読みです。手元で動くことと、出力が原文どおりであることは、別の話です。村岡さんの「補助は補助、コピペしない」は、この2つを分けて考えている言葉に聞こえます。

仕組みの面も見ておきます。

CPUとGPUで共有して使う96GBのメモリ（ユニファイドメモリ）を積んだ「M3 Ultra」搭載のMac Studioで、オープンウェイトのモデルを動かし、翌日の予約患者の分を深夜にバッチ処理します。

バッチ処理は、まとめて夜間などに回す処理のことです。

使っているのは、オープンウェイトとしては中規模のモデルの4bit量子化版です。量子化は、数値の精度を落として軽くすることです。

より大きなモデルや8bit量子化版も試したものの、AIが答えを出すまでの時間（推論時間）が長い割に回答品質はあまり変わらなかった、と村岡さんは話しています。

患者数にもよりますが、1人分あたり1分延びるとバッチ処理が1時間単位で延びてしまうので、答えを出す速さも重視しているそうです。

要約を目次として使い、元の資料に戻れる形にしておく。AIの出力を最終の答えにしない作りは、外に出せない情報を扱う仕事でも真似しやすい線だと思います。

ITmedia AI＋の記事（導入効果についての院長の話の紹介）

村岡氏は、効果の定量化は難しいとしつつ、「事務員1人分くらいの仕事は確実にこなしてくれています」と話す。

効果について村岡さんは、定量化は難しいとしつつ「事務員1人分くらいの仕事は確実にこなしてくれています」と話している、と村田さんは書いています。

言葉の通りに受け取ると、効果は「事務員1人分」という院長の見立てです。村岡さん自身が、効果の定量化は難しいと話しています。数字は目安として読む。ここは大事です。

診察後は次回の予約です。ダッシュボードのカレンダーで任意の日付をクリックすると予約画面が開き、予約情報を入れると、QRコード付きの予約票がすぐに印刷されます。

初めはPCマニアの趣味として作ったシステムが、今や予約と診療に欠かせない存在になり、村岡さんの言葉では「ほぼ第2の電子カルテ状態」だそうです。

ワクチンの在庫が尽きると予約を自動で止める機能や、郵便物のあて名ラベルをワンクリックで印刷する機能も加えています。

大きいのは、手書きの問診票や患者が持参した健診結果の電子化と、検査会社のポータルサイトから検査結果を集めて整理する作業の省力化です。

数字も出ています。患者1人あたり30秒の短縮でも、1日100人が受診すれば50分になります。以前は1日40〜50人の受診で「大忙し」でしたが、今は100人以上を受け入れる日もあるそうです。

ただし、季節性の要因もあるので、一概に「AIのおかげ」とはいえない、と村岡さんは話しています。元記事も、AIだけの成果とは言い切っていません。

AI氣道『MetaのAIエージェントMuseの始め方｜登録から最初の設定まで』より

「私はAIの役割を、フローに入るための環境整備係って考えています。ワクワクしないことを引き受けてもらう役です。」

AIに頼む役割について、私は『MetaのAIエージェントMuseの始め方｜登録から最初の設定まで』で書いています。

私の読みです。予約票の印刷や、検査結果の整理のような、手間はかかるのに心が動かない作業。そこを引き受けてもらうと、人は患者さんと向き合う時間に回れる。村岡さんの話は、そう読めます。

ワクワクしないことを引き受けてもらう、というAIの役割と、向きが同じです。

ITmedia AI＋の記事（空いた時間とAIについての院長の話の紹介）

「AIにしても、その他のテクノロジーにしても、人の仕事を奪うというよりは、空いた時間でできる仕事を増やすものだと思います」と村岡氏。

村岡さんは「人の仕事を奪うというよりは、空いた時間でできる仕事を増やすものだと思います」と話している、と村田さんは書いています。

AIを仕事を奪う相手ではなく、時間を空けてくれる相手として見ている、という一文です。

実際に、浮いた時間はより多くの患者の受け入れに回っています。前の章で見たとおり、以前は1日40〜50人で大忙しだった受診が、今は100人以上の日もある、という話です。

ただし、この導入には前提があります。「何か起こった時に自分で対処する責任や手間を負う覚悟さえあれば」と村岡さんは言います。支えているのは、院長自身の技術と、保守まで担う覚悟だ、と村田さんの記事は整理しています。

AI氣道『MetaのAIエージェントMuseの始め方｜登録から最初の』の別の節より

「私の仕事でも、公開や一斉配信のような外に出す操作は、実行の直前でいったん止めて、最後は私が決めています。AIが作ってくれても、確認はもちろん、責任も私が持ちます。」

外に出す操作と責任について、私は『MetaのAIエージェントMuseの始め方｜登録から最初の設定まで』で書いています。

外に出す操作は実行の直前で止めて、最後は人が決める。村岡さんの「自分で対処する責任」と私の言葉は、同じ所を指しているように感じます。AIが作ってくれても、責任の置き場は人の側に残るんですよね。

村岡さんは、AIによるコーディングでクリニックごとにシステムを最適化したり、ローカルLLMの導入を推進したりするベンダーが「今後もっと出てくるだろう」とみています。

村田さんの記事は、そうしたサービスが手頃な価格で広がるかが、街のクリニックにAIが根付く鍵になりそうだ、と結んでいます。

この話を、私は「できたこと」と「覚悟したこと」の2つに分けて読んでいます。できたことは、予約から受け入れ人数までの変化です。覚悟したことは、トラブルへの対処と、保守です。

両方を見て初めて、自分の仕事に置き換えられるんじゃないかな、と思います。

私の読みです。自分の仕事でこの記事を使うなら、順番はこうです。まず、AIに任せる作業を1つ決める。次に、その作業で外に出る情報を1行で書き出す。最後に、人が最終確認する所を1行で書く。

これだけで、任せる線が見えてきます。

この記事のAIエージェントに渡す依頼文の囲みを使うと、この整理をAIと一緒に進められます。AIに作ってもらった線は、最後は自分の目で読み直してください。

ITmediaの記事で見えたのは、外に出せない情報を持つ現場でも、AIの置き場所と任せる範囲を決めれば、使える所があるという事実です。院内のローカルLLMで患者の情報を外に出さず、仕組みづくりにはClaude Codeを使う。分けて使う工夫が目立ちました。

手書きの問診票は候補まで、カルテ要約は目次として、と村岡さんは一貫して補助は補助の線を引いています。音声認識の実験が思うように進まない所も、記録用途に置き直して続けています。

効果は事務員1人分という院長の見立てで、AIだけの成果とは言い切れません。それでも、空いた時間が患者の受け入れに回り、支える側には保守まで担う覚悟がある、という全体像は、自分の仕事にも置き換えやすいと思います。

私が大事だと思うのは、任せる前に線を引くことです。AIに任せる作業を1つ決めて、外に出る情報と、人が最終確認する所を書き出す。そこから始めるだけで、AIとの距離はぐっと決めやすくなります。

この記事で学んだことを誰かに教えて恩送りして学びを深めよう！