Skip to content
Affectosphere Group Kansai University, Keito Inoshita Laboratory
EN

Column

同じ症状でも女性の緊急度が低く判定される：LLM 医療 AI の深刻なジェンダーバイアス

Gemini・Claude・GPT の 3 モデルに同一の神経学的症状を入力し性別だけを変えたところ、若年女性の救急搬送推奨率が著しく低い結果が出た。LLM を医療現場に入れる前に必要な「バイアス調達評価」の設計を考える。

5 分で読める English version →
同一の症状プロファイルに対して性別によって異なるトリアージ判定が出るAI医療システムの構造を抽象的に表現した図

こんにちは。Affectosphere Group の井下です。

「AI は人間より公平なはずだ」という期待があります。

人間の医師は無意識の偏見を持つことがある。でも AI は入力データに基づいて判断するから、性別や年齢で扱いが変わることはないだろう、という考え方です。

この前提が、厳しく問われています。

2026 年 6 月に arXiv で公開された研究（Qi Han Wong、arXiv:2606.03641）は、Gemini・Claude・GPT の 3 モデルファミリーに、同一の神経学的症状プロファイルを入力し、性別と年齢だけを変えてトリアージ判定がどう変わるかを検証しました。

結果は深刻でした。

若年女性の救急搬送推奨率が、同年齢の男性と比べて著しく低い。論文中で言及されている事例では、あるモデルで男性が 96.7% の確率で救急搬送を推奨されたのに対し、同じ症状の女性は 6.7% にとどまりました。

今日の 3 点

  1. 全モデルに共通のジェンダーバイアスが確認された: Gemini・Claude・GPT のいずれでも若年女性に不利な判定傾向が検出された。
  2. メカニズムは「診断代替」: 女性に対してより軽症の診断名を当てはめ、男性への診断を「代替する」パターンが働いている。
  3. 調達・評価基準への組み込みが急務: 医療 AI を導入する前に、性別×年齢バイアス検査を標準の品質保証プロセスに含めることが必要。

① 何が起きていたか：「診断代替」のメカニズム

この研究が使った神経学的症状プロファイルは、頭蓋内圧亢進（脳内の圧力が高まる状態）を示すような症状群です。これは放置すれば深刻な転帰につながり得るため、適切なトリアージでは救急対応が推奨されます。

同一の症状に対して、性別と年齢だけを変えて入力したところ、モデルは若年女性に対して「特発性頭蓋内高血圧（idiopathic intracranial hypertension, IIH）」という診断を当てはめる傾向が見られました。

IIH は確かに若年女性に多い疾患です。医学的・疫学的に見れば統計的な有病率パターンとして正しい側面もあります。

問題は、その疫学的パターンに引きずられることで、より緊急性の高い「占拠性病変（spaceoccupying lesion）」という診断判断を「代替」してしまっていることです。

つまり AI は「このパターンの患者（若年女性）はこの病気（IIH）が多い」というトレーニングデータの統計を反映し、実際の症状の緊急性評価を上書きしてしまっている。

この「診断代替（diagnostic substitution）」が、救急搬送推奨率の極端な差を生む原因です。

興味深いことに、65 歳以降ではこのバイアスが消失します。年齢特異的なパターンであることが、学習データの疫学統計が判断に介入していることを強く示唆しています。

② なぜこれが「AI の設計だけ」の問題ではないのか

「それはモデルの問題で、適切に調整すれば解決できる」という反応が出やすいです。

でも、この研究が示すのは、現在最も広く使われている 3 つの主要モデルファミリー全体に共通して見られる傾向だということです。

これはモデル固有のバグではなく、大規模言語モデルが医療的知識をどう学習するかという構造的な問題に近い。

医療 AI が今後広がる過程で、こうしたバイアスが見えない形で意思決定に組み込まれていくリスクがあります。

・問診支援 AI が特定の性別・年齢層の症状を過小評価する ・トリアージ補助システムが救急搬送の推奨を不適切に抑制する ・診断補助ツールが特定の集団に軽症診断を優先的に割り当てる

これらは「AI の参考意見」として使われていても、人間の判断に影響を与えます。特に業務量が多い現場では「AI がこう言っている」が実質的な意思決定になりやすい。

③ 医療 AI 導入担当者・医療機器規制担当が今日から取れるアクション

この研究のプロトコルは、非常にシンプルです。「同じ症状に、属性（性別・年齢）だけを変えて入力し、出力を比較する」。

これを調達評価プロセスに組み込むことは、今すぐ始められます。

医療 AI 調達時の「ジェンダー×年齢バイアス評価」の標準化

LLM ベースの問診支援・トリアージ補助ツールを採用する際、この研究のプロトコルを参考に「同一症状・属性変動テスト」を品質保証チェックリストに含める。

部署としては病院 CIO・医療 AI 導入責任者・臨床品質管理部門が担当します。KPI として「属性変動テストでの緊急度推奨率の性別差（許容上限を事前設定）」を採用評価基準に加えることで、明示的な品質基準として機能させられます。

既存ツールへの後付けバイアス評価

すでに導入済みの AI ツールに対しても、このテスト手法を後付けで適用できます。「過去の AI 補助診断ログを性別・年齢別に集計し、推奨内容に統計的偏りがないか確認する」という監査の視点で実施可能です。

医療情報システム担当と臨床部門が連携して定期的なバイアス監査を実施する、という運用フローを設計できます。

ヘルスケア AI スタートアップへの示唆

自社プロダクトが医療・健康領域の AI を開発・提供している場合、このバイアス評価の仕組みを開発プロセスに組み込むことは、規制対応上のリスク軽減だけでなく、「安全性を開示できる」差別化要素になります。

PMDA（日本）・FDA（米国）などの医療機器規制の文脈でも、AI の公平性評価は今後ますます重要な評価軸になってくると予想されます。

「AI は公平」という前提を疑うことから始める

医療における AI の活用は、適切に使えば大きな価値をもたらします。でも「公平であることが保証されている」という前提を持ったまま導入を進めると、見えないバイアスが臨床判断に入り込むリスクがあります。

この研究が提示するのは「AI を使うな」ではありません。「AI を医療現場に入れる前に、どのバイアス検査をパスする必要があるかを明確にする」というプロセス設計の重要性です。

これは AI の話である前に、医療品質保証の話です。

患者の安全を守る仕組みとして、バイアス評価を標準化する動きが、医療機関・規制当局・開発者の三者で進むことを期待しています。

では！

参考論文

  1. Qi Han Wong (2026). Gender-Dependent Diagnostic Substitution in LLM Medical Triage: Same Symptoms, Unequal Urgency. arXiv preprint.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。