医療において人工知能が幻覚（hallucination）を起こした場合、結果は単なる不正確な回答にとどまりません。人が傷つきます。

一般的なAIチャットボットが時折、事実でない文章をもっともらしく生成するのは、情報の信頼性の問題です。しかし、病院の運営を自動化すると約束したAIが同様に幻覚を起こした場合——間違った患者を間違った病床に移し、使用中の機器を稼働可能な状態として表示し、存在しない在庫を発注から漏らす——その幻覚の結果は医療事故です。

これが私たちが最初から次の問いを立てた理由です。

「どうすればAIが推測する必要のない環境を作れるか？」

間違った答え：より賢いモデル

業界の一般的なアプローチは、モデルをより大きく精緻にすることです。より多くのデータ、より大きなパラメータ、より強いRLHF、より厚い安全ガイドレール。この方向性には明確な価値がありますが、一つの根本的な限界があります——確率的に推論するという事実自体は変わらないという点です。

確率モデルがいかに精緻になっても、入力データが曖昧であれば出力は推測になります。そして医療現場では、データの曖昧さは日常茶飯事です。「3階に看護師が不足している」という一行のメモだけでは、AIに何をすべきかわかりません。どの3階ですか？どの病棟ですか？不足しているのが正看護師なのか補助人材なのか、今不足しているのか1時間後にそうなるのか、隣の病棟の余剰人員で解決できるのか——何も明確ではありません。

確率モデルはこの空白を推測で埋めます。医療においてその推測は危険です。

別の答え：より正確なデータ構造

キノティのアプローチは異なります。モデルをより賢くする代わりに、AIが推測しなければならない空白そのものをなくすのです。

これを実現するために、私たちは病院をオントロジー（Ontology）というデータ構造の上に再設計します。オントロジーは単純なデータベーススキーマではありません。それは病院という世界のオブジェクト（Object）と関係性（Relation）を意味単位で定義したモデルです。

  • オブジェクト — 医師、看護師、スタッフ、患者、CT、MRI、手術器具、手術室、病床、薬品、消耗品
  • 関係性 — 誰がどこにいるか、誰が何を使用中か、どの患者がどの経路で移動したか、どの機器がどのスタッフに割り当てられているか、どのリソースが次の1時間以内にどこで必要か

この構造の上では、AIはもはや推測する必要がありません。「3階の看護師不足」が「東棟3階外科病棟の正看護師数は14:00時点で定員6名中4名、隣接病棟の余剰人員1名がキャンバス上7分の距離に位置」に変わります。同じ事実ですが、AIにとっては全く異なるデータです。

空間キャンバス（Spatial Canvas）— すべてが始まる場所

ここで、キノティの最も重要な設計上の決断が登場します。

キノティの病院オントロジーは抽象的なデータモデルから始まりません。病院の建築設計図をデジタルで再構成した「空間キャンバス（Spatial Canvas）」の上から始まります。

顧客病院から実際の建築設計図を受け取り、これを空間キャンバスとして再構成します。そしてそのキャンバスの上に、病院を構成するすべての要素をそれぞれのレイヤー（Layer）として重ねていきます。

  • 医療機器レイヤー — CT、MRI、超音波、レーザー、手術器具を含むすべての機器がキャンバス上の正確な座標を持ちます。稼働中か、待機中か、点検中かがリアルタイムで表示されます。
  • 医療スタッフ（医師・看護師・スタッフ）レイヤー — 現在誰がどの位置にいるかがキャンバス上にリアルタイムで表示されます。どのスタッフがどの患者に割り当てられているか、次のスケジュールがどこで始まるかも合わせて表示されます。
  • 患者・来訪者動線レイヤー — 受付から診察室、検査室、手術室、回復室、病棟までの移動経路が軌跡（Trajectory）として記録・可視化されます。どこで患者が集中し、どこで動線が交差し、どこでボトルネックが生じているかが一目でわかります。
  • 空間リソースレイヤー — 病床、待合室、回復室、手術室の稼働状態がキャンバス上の色と表示で示されます。

このシステムの中で、病院は一つのキャンバスの上で生き生きと動く有機体のように見えます。抽象的なダッシュボードではなく、現場そのもののデジタルツインです。

これが2026年3月にベトナムのフエ中央病院（Hue Central Hospital）に公式提案した設計方式です。フエ中央病院の建築設計図を基に、人員配置・患者動線・医療機器状態・既存の院内システムなど、病院を構成するすべての要素をオントロジーデータ構造で体系化すること——キノティがフエに提出した公式提案であり、同日にフエ中央病院長がLOAで公式受諾した協力の基礎です。

空間キャンバスの上でAIが働く方法

このキャンバスの上で、AIは推測せず、事実に基づいて推奨します。

事例1 — 麻酔後回復室（PACU）の滞留. 回復を終えた患者が病棟に移動できず待機中の場合、AIは患者が回復室のどの場所にいるか、次に行く病床がキャンバス上のどこに空いているか、その経路の途中で必要なリソースが何かをすべて把握しています。推奨は「患者を移動させた方がいいかもしれない」ではなく、「患者Pを回復室3番ベッドから東棟5階512号室へ移送、予想所要時間8分、搬送スタッフ・キムが現在4階廊下に位置」です。

事例2 — 医療機器モニタリング. キノティのシグナル（Signal）システムは、キャンバス上に登録されたすべての機器について3種類のアラートをリアルタイムで検知し、最も近い担当者に即座に届けます。

  • 機器故障アラート — 機器が完全に停止した後ではなく、異常の兆候が現れた瞬間に担当者に通知します。
  • 機器主要消耗品不足アラート — MRIヘリウム残量が閾値を下回ったとき、内視鏡の使い捨てキャップの在庫が次の手技スケジュールまで不足するとき、電気メスチップの在庫が切迫したとき、人工呼吸器の使い捨て回路が不足しそうなとき。発注が滞ってからではなく、発注が必要なタイミングで通知します。
  • 機器状態アラート — 定期点検期限到来、キャリブレーション周期満了、累積使用時間が推奨限界に近接、AEDパッドの有効期限切れ迫る。単純なアラームではなく、次のアクション（点検予約・部品発注・人員割り当て）が一緒に推奨されるアラートです。

各アラートは緊急（赤）・警告（橙）・報告（黄）の段階に分類され、機器がキャンバス上のどこにあり、最も近い担当者が誰であり、そのスタッフが今何をしているかをすべて事実として持った上で送信されます。そのため**「機器が止まる前にシステムが先に知らせる」**という言葉が単なるスローガンではなく、実行可能な約束になります。

事例3 — 人員スケジューリング. 来週の人員配置を組む際、AIは過去数年間にわたってキャンバス上に蓄積された動線・稼働率・患者フローパターンをすべて事実として持って推奨を行います。推奨の根拠は常にキャンバス上の事実に帰結します。

推測ではなく事実。これが幻覚のないAIの動作方式です。

エンジニアリング原則

空間キャンバスの上でAIを構築する際、私たちは三つの原則に従います。

  1. 出典追跡性（Source Traceability） — AIのすべての決定は、キャンバス上のどのオブジェクト、どの時点、どのデータに基づいたかを逆追跡できなければなりません。「なぜそう推奨したのか」への答えが、常に事実の座標へ戻ります。

  2. 決定根拠の記録（Rationale Recording） — AIのすべての推奨はその根拠とともに記録されます。医療スタッフと運営者はいつでも推奨の理由を確認でき、監査担当者はその記録を通じてシステム全体の意思決定品質を検証できます。

  3. 人間のIn-the-Loop — AIは推奨し、人間が決定します。特に患者の治療に直接影響する決定は、必ず医療スタッフの明示的な承認を経ます。自律運営は人間の判断を排除することではなく、人間の判断がより良く機能するように助けることです。

幻覚のないAIはより賢いAIではない

業界がよく陥る罠は、AIの信頼性の問題をモデルの問題に還元してしまうことです。より多くのデータ、より大きなモデル、より精緻なプロンプト——この方向は幻覚を減らすことはできますが、なくすことはできません。なぜなら幻覚はモデルが作ったものではなく、モデルが動作しなければならなかった曖昧な環境が作ったものだからです。

キノティの答えはシンプルです。

環境を正確に作れば、AIは推測する必要がなくなります。

キャンバス上の座標、オブジェクト間の関係性、時間上の出来事——この三つが正確に定義された環境において、AIはついに正確に働くことができます。これが私たちが8年間にわたってTホスピタルネットワークの運営を通じて検証してきた環境であり、今フエ中央病院に約束している環境です。