【2026年版】医療向けAI開発会社おすすめ12選比較｜業務別の選び方・SaMD薬事・費用相場

「医療業務にAIを導入したいが、汎用の『AI開発会社30選』を読んでも、薬機法やSaMD（プログラム医療機器）に対応できる会社がどれか分からない」「画像診断に強い会社と、システム開発が得意なだけの会社の区別がつかない」「そもそも、つくりたいAIが薬事承認の対象なのかが判断できない」——これは病院のDX担当者、医療法人の事務長、製薬・ヘルステック企業の事業責任者が共通して抱える悩みです。

医療AIは、一般的な業務AIと決定的に違う点があります。診断や治療に関わるソフトウェアはプログラム医療機器（SaMD）として薬機法の規制対象になり得ること、患者データは要配慮個人情報として最も慎重な取扱いが求められること、そして誤検出の責任が患者の生命に直結することです。技術力だけで開発会社を選ぶと、「動くデモはできたが薬事審査を通らず本番化できない」「患者データを外部に出せず止まる」という失敗に陥ります。

本記事は、医療AI開発の発注を**「業務 × 規制（SaMD該当性）× 医療機関タイプ」の3軸**で15分で絞り込めるように構成しました。6業務×12社の比較マトリクス、SaMD該当性の判断フロー、規制対応マトリクス、医療機関タイプ別のROI試算まで、発注判断に直結する情報を一次ソースに基づいて整理します。

この記事で分かること

• 医療AIの主要6業務でできること（画像診断／内視鏡／AI問診／カルテ・文書／創薬／経営予測）
• 医療AI業務 × 開発会社 比較マトリクス（6業務 × 12社）
• 医療向けAI開発会社おすすめ12選（4タイプ分類）と選定基準7軸
• SaMD（プログラム医療機器）該当性 → 薬事承認要否の判断フロー
• 薬機法／次世代医療基盤法／要配慮個人情報の規制対応マトリクス
• 患者・診療データを外部LLMに送れるかの意思決定フロー
• 医療機関タイプ別ROI試算3シナリオと業務別の費用相場

結論──医療AI開発会社は「業務 × 規制（SaMD該当性）× 医療機関タイプ」の3軸で選ぶ

医療AI開発会社を選ぶときに最初に決めるべきは、ベンダー名ではなく自社の3軸の位置です。

1. 業務軸：画像診断・内視鏡・AI問診・カルテ／文書作成・創薬・経営予測のうち、どの業務を解決したいのか。この業務に「◎」が付く会社を後述の業務×企業マトリクスで絞り込みます。
2. 規制軸（SaMD該当性）：つくりたいAIが「プログラム医療機器（SaMD）」に該当するか否か。該当するなら薬機法の承認・認証が必須で、薬事申請・QMS・市販後監視まで設計できる会社でなければ本番化できません。非該当（業務支援にとどめる設計）なら、選択肢は一気に広がります。
3. 医療機関タイプ軸：クリニック・診療所か、中核病院（200〜500床）か、製薬・大学病院・研究機関か。求められる規模・連携（電子カルテ／PACS連携）・予算が大きく異なります。

技術力（モデルの精度）だけで選ぶと、規制審査やデータガバナンスを通らず本番化できないリスクがあります。「規制対応軸」を必ず評価に入れる——これが医療AIの発注で最も重要な原則です。

逆に言えば、この3軸さえ定まれば、世にあふれる「医療AI企業○○選」の長いリストに惑わされずに済みます。自社が「クリニックで、業務支援系（非該当）の、文書効率化」を求めているのか、「中核病院で、診断支援系（SaMD）の、画像診断」を求めているのかで、見るべき会社はまったく変わります。まず自社の3軸を紙に書き出してから、以下を読み進めてください。

医療業界のAI導入が加速する構造的背景

医療AIとは、人工知能技術を用いて画像・テキスト・数値などの医療データを解析し、診断・治療・業務・経営の意思決定を支援する技術の総称です。導入が加速している背景には、市場・制度・人材の3つの構造変化があります。

市場は2030年に1兆円超へ

医療・ヘルスケア・製薬DX関連の国内市場は、2025年で約7,818億円が見込まれ、2030年には1兆円を突破すると予測されています（富士経済「2025年版 医療・ヘルスケア・製薬DX関連市場の現状と将来展望」、LINK-J掲載）。AI創薬、電子カルテ、画像診断、リアルワールドデータ分析などを含む医療DX全体の市場であり、その中核をAI技術が占めています。世界に目を向けても、医療分野のAI市場は2025〜2030年で年平均成長率30%超という高い水準で拡大が予測されており、医療AIは一過性のブームではなく構造的な成長領域です。医師の働き方改革による業務負荷の見直しや、慢性的な人手不足という日本固有の事情も、医療AI導入を後押ししています。

薬事承認SaMDは累計285件、審査体制も強化

医療AIの「本番化」を示す指標が、薬機法上の承認件数です。プログラム医療機器（SaMD）の承認は累計285件に達しました（PMDA, 令和7年（2025年）1月末時点）。PMDA（医薬品医療機器総合機構）は2024年7月1日に「医療機器プログラム審査室」を**「プログラム医療機器審査部」へ格上げ**し、審査チームを1チームから領域別の2チームへ拡充しています。米国でもFDAが公表するAI/ML搭載医療機器の累計承認数は2025年12月末時点で1,451件に達し、うち約76%が放射線科領域です（FDA, 2026年3月更新）。診断支援AIは「研究段階」から「制度に組み込まれた実用段階」へ移行しています。

実際、2026年4月施行の令和8年度診療報酬改定では、画像診断管理加算3の施設基準に、AI画像診断補助ソフトの安全管理（関係学会の指針準拠）に関する要件が組み込まれ、AIは保険診療制度の中に明確に位置づけられました（厚生労働省）。承認件数の増加と審査体制の強化、そして診療報酬での評価は、いずれも「医療AIが制度として認められ、現場で使われるフェーズに入った」ことを示すシグナルです。発注を検討する医療機関にとっては、「前例がない」リスクが年々小さくなっているということでもあります。

なぜ自社開発でなく外部委託が増えるのか

医療AIの内製には、機械学習エンジニア・データサイエンティストに加え、薬事・品質保証（RA/QA）人材という希少なスキルセットが必要です。さらに、申請に必要なデータセットの設計・品質管理は最もコストがかかる工程であり、ここを誤ると審査で差し戻されます。医療機関や製薬企業がこの体制を一から内製で揃えるのは現実的でないため、薬事まで伴走できる外部パートナーへの委託が増えています。

加えて、医療現場は本業（診療）の負荷が高く、AI開発に割ける時間が限られます。電子カルテ・PACSなど既存システムとの連携、3省2ガイドラインに準拠したインフラ構築といった専門領域も、外部の知見を借りるほうが速く確実です。「コア業務の方針は院内で握り、実装・薬事・運用は外部で補う」という分担が、医療AIの現実的な進め方になっています。

2026年のトレンド：画像診断から生成AI・AIエージェントへ

これまでの医療AIは画像診断・内視鏡など「診断支援」が中心でした。2026年は、生成AIによるカルテ・医療文書の作成支援、AI問診・トリアージ、そして複数の業務を自律的に処理するAIエージェントへと適用範囲が広がっています。診断系（SaMD規制が重い）と業務系（規制が軽く導入が速い）では発注先の選び方が変わるため、自社がどちらを狙うのかを最初に切り分けることが重要です。

医療AIの全体像と業界事例は医療AIの活用事例まとめでも解説しています。

医療AIの主要6業務でできること

発注先を選ぶ前に、「自社がどの業務を解決したいか」を明確にします。医療AIの主要業務は次の6つに整理できます。

画像診断支援（放射線・病理）

X線・CT・MRI・病理画像をAIが解析し、病変候補の検出・分類を支援します。脳動脈瘤、肺結節、乳がん、病理組織など領域は広く、SaMDとして薬事承認を取得した製品も多い分野です。狙いは医師の「目」の代替ではなく、見落としの低減と読影効率の向上です。読影医が不足する地域・時間帯での二次読影的な役割や、撮像直後のトリアージにも使われます。SaMDの規制が重い領域のため、自院開発より承認済み製品の導入から検討するのが定石です。詳しくはAI画像診断の精度比較・薬機法・ROI試算で解説しています。

内視鏡AI（消化管）

大腸・胃・食道の内視鏡映像をリアルタイム解析し、ポリープやがん疑い領域を検出・鑑別します。検査中にその場で病変候補を提示するため、見落とし低減と検査の質の均てん化（医師の経験差の縮小）に効果があります。日本は内視鏡AIで世界をリードする領域で、複数の国産製品が薬事承認を取得しています。

AI問診・トリアージ

来院前・来院時に患者の症状を問診し、想定される疾患や受診すべき診療科を提示します。外来の初期対応の負荷を下げ、医師の問診時間を短縮し、問診内容をカルテ下書きに引き継ぐことで二度手間も減らせます。診断を確定するものではなく、医師の判断を支援する位置づけにすることでSaMD非該当に設計しやすい領域です。仕組みはAI問診システムの導入で詳しく解説しています。

カルテ・医療文書作成支援（生成AI）

診療記録・退院サマリー・紹介状・看護記録などを生成AIが下書きします。医師・看護師の文書作成時間を削減する効果が大きく、SaMDに該当しにくいため導入が速い「入口業務」です。音声入力と組み合わせれば、診察しながらの記録も可能になります。生成結果は必ず医師・看護師が確認・修正する運用とし、患者識別情報の取扱い（閉域処理・マスキング）を設計することが前提です。詳細は電子カルテAIの活用を参照してください。

創薬・研究開発

化合物探索、標的同定、治験データ解析、論文・文献調査などをAIが加速します。探索の網羅性とスピードを高め、研究者を反復作業から解放するのが価値です。製薬企業・大学病院・研究機関が主な対象で、大規模計算基盤とデータ連携の設計力、そして次世代医療基盤法に沿ったデータ利活用の設計が問われます。

経営・需要予測（病床・人員・在庫）

外来数・病床稼働・人員配置・医薬品在庫などを予測し、経営と現場運営を最適化します。診療データを直接扱わない経営データが中心のため、規制ハードルが比較的低く、生成AI業務効率化の延長で着手しやすい領域です。人手不足が深刻な医療現場で、需要の波に合わせた人員配置や在庫の適正化は、コスト削減と現場負荷軽減の双方に効きます。

医療AI業務 × 開発会社 比較マトリクス（6業務 × 12社）

医療AI開発会社は「総合的に強い1社」を探すより、自社の主業務に強い会社を選ぶのが正解です。主要12社が、6業務のどこに強みを持つかを整理しました。

凡例：◎＝薬事承認実績・専門特化／○＝対応可・実績あり／△＝限定的・周辺対応／−＝非対応または情報なし

※評価は2026年6月時点の公開情報に基づく編集部の整理であり、各社の最新の対応状況・実績は必ず直接ご確認ください。koromo自身も比較対象に含めています。

マトリクスの読み解き方

縦に「自社の主業務」を見て、◎が付く会社をまず候補にします。たとえば内視鏡AIなら富士フイルム・オリンパス・AIメディカルサービス、病理画像ならメドメイン、AI問診ならUbie・アイリス、カルテ・文書効率化ならNTTデータ・koromo、創薬・経営予測ならNEC・NTTデータが筆頭候補です。1社で全業務をまかなおうとせず、主業務ごとに最適な会社を選ぶ——この発想が、医療AIで失敗しないための出発点です。複数業務を同時に進めたい場合は、全業務に◎が並ぶ会社を探すより、業務ごとに最適な会社を組み合わせるか、横断的に調整できるAIコンサル＋実装型をハブに据えるほうが現実的です。

マトリクスを使った絞り込み例

• クリニックで外来文書を効率化したい：カルテ・文書◎の会社（NTTデータ／koromo）＋医療機関タイプ軸でクリニック規模に対応できるかを確認。SaMD非該当の業務支援なので導入は速い。
• 中核病院で読影を支援したい：画像診断◎（富士フイルム／シーメンス／キヤノンメディカル／エルピクセル）から、PACS連携実績と薬事承認製品の有無で絞る。
• 製薬企業で創薬を加速したい：創薬・研究◎（NEC）や大規模データ連携に強い大手SIerを軸に、研究データのガバナンス設計力で選ぶ。

医療向けAI開発会社おすすめ12選（4タイプ分類）

医療AI開発会社は、成り立ちによって4タイプに分かれます。タイプごとに得意領域・価格帯・連携力が異なるため、自社の3軸に合うタイプから選ぶのが効率的です。

大手医療機器・画像型（4社）

医療機器・画像診断装置のメーカーが、自社機器と統合したAIを提供するタイプです。薬事・品質保証の体制が成熟し、PACS・モダリティとの連携に強い一方、自社製品エコシステム前提になりやすい点に注意します。

• 富士フイルム：AI技術を活用した内視鏡診断支援「CAD EYE」で、大腸（EW10-EC02、2020年）に続き上部消化管（EW10-EG01、2022年）でも日本初の薬事承認を取得。画像診断・内視鏡の両輪に強い。
• オリンパス：消化器内視鏡で世界的なシェアを持ち、内視鏡AIに注力。スコープと一体での運用に強み。
• シーメンスヘルスケア：クラウド対応の画像診断支援「AI-Rad Companion」など、ブラウザベースで導入負荷を抑えた製品を展開。
• キヤノンメディカル（キヤノンメディカルシステムズ）：CT・MRI等のモダリティとAI再構成・解析を統合。装置とセットでの導入に強い。

AI専業・医療特化スタートアップ型（5社）

医療AIに特化したスタートアップで、特定領域で先端的な精度・薬事実績を持つタイプです。尖った領域では大手を上回る一方、対応業務は絞られます。自社の主課題がこれらの企業の専門領域とぴたり一致するなら有力ですが、領域がずれると無理が出るため、マトリクスの◎が自社業務に重なるかを慎重に確認してください。

• エルピクセル：深層学習×脳MRIで国内初のSaMD薬事承認を取得（EIRL Brain Aneurysm〔旧EIRL aneurysm〕、2019年承認）。EIRLシリーズは2025年6月時点で1,000以上の医療施設に導入実績。
• AIメディカルサービス：消化器内視鏡AI（gastroAIシリーズ）で胃がんの早期発見支援に注力。
• メドメイン：クラウド病理プラットフォーム「PidPort」で病理診断のデジタル化・AI解析を支援。
• Ubie：AI問診＋生成AIで医療機関の業務負荷軽減と、生活者向けの症状検索を展開。問診・トリアージに強い。
• アイリス：咽頭画像AIによるインフルエンザ診断支援など、独自の診療現場向けAIを開発。

大手SIer・シンクタンク型（2社）

基幹システム連携・全社展開・大規模データ基盤に強いタイプです。創薬・経営予測・電子カルテ連携など大規模案件に向き、ガバナンス体制も堅牢ですが、小回りと価格では専業に劣る場合があります。複数病院グループへの横展開や、勘定系・基幹システムと密に連携する案件では、この層の安定感が効きます。

• NEC：創薬AI・生体認証・需要予測など、研究開発から経営最適化まで幅広く対応。大規模計算基盤に強い。
• NTTデータ：電子カルテ・医療情報基盤・生成AI活用を全社規模で構築。カルテ・文書、経営予測、データ連携に強い。

AIコンサル＋実装型（1社）

AI戦略の上流（どの業務から着手するか）と実装・運用を一気通貫で支援するタイプです。SaMD非該当の業務支援AI（カルテ・文書効率化、問診、経営予測）を素早く立ち上げたい医療機関・ヘルステック企業に向きます。

• koromo：生成AI業務効率化・AI戦略（CAIO代行）・プロダクト開発を一気通貫で提供。診療外の業務支援AI（文書作成・問診補助・経営予測）の高速立ち上げと、内製化に向けた伴走に強い。「どの業務から着手し、誰が推進するか」という戦略の上流から、実装・運用・内製移管までを支援する点が、単発の受託開発との違いです。データガバナンス（閉域処理・マスキング設計）を前提とした生成AI活用を得意とし、SaMD領域は薬事に強いパートナーと連携して進める設計を推奨します。「まず業務支援AIで成果を出し、診断系は段階的に」という医療AIの定石に沿った伴走に向きます。

タイプ選びの目安

薬事承認が必要な診断系を狙うなら「大手機器型」か「医療特化スタートアップ型」、基幹連携・全社展開なら「大手SIer型」、まず業務支援AIで成果を出して内製化につなげたいなら「AIコンサル＋実装型」が起点になります。多くの医療機関では、「業務支援AIで足場を固め、診断系は薬事に強い専業と組む」という組み合わせが現実的です。

4タイプの特徴を早見表にまとめます。

業種をまたいだ開発会社選びの総論はAI開発会社の比較（総合ガイド）、業種別の姉妹記事は金融業界向けAI開発会社の比較も参考になります。

SaMD（プログラム医療機器）該当性 → 薬事承認要否の判断フロー

医療AI発注の最初の分岐点が、**「そのAIはプログラム医療機器（SaMD）に該当するか」**です。ここを誤ると、開発が進んでから「薬事が必要だった」と判明し、手戻りで数千万円・半年以上を失います。逆に、本来は業務支援で十分なのに過剰に薬事を意識して身動きが取れなくなるケースもあります。競合記事の多くがSaMDを「用語」として紹介するにとどまりますが、本章では発注の判断に落とし込み、自社のAIがどちら側にあるのかを見極められるようにします。

そのAIは「医療機器」か——該当性判断の3観点

プログラム医療機器とは、疾病の診断・治療・予防に使用されることを目的としたソフトウェアです。該当性は主に次の観点で判断されます（厚生労働省「プログラムの医療機器該当性に関するガイドライン」の考え方に基づく）。

1. 目的：診断・治療・予防に寄与することを目的としているか（単なる情報提供・業務効率化は非該当寄り）。
2. リスク：そのソフトの結果が誤った場合、患者の生命・健康に与える影響の程度はどれくらいか。
3. 役割：医師の意思決定をどの程度代替・左右するか（最終判断が医師にあり、参考情報の提示にとどまるかどうか）。

クラス分類（I〜IV）と承認/認証/届出の違い

医療機器はリスクに応じてクラスI〜IVに分類され、手続きが変わります。

クラスが上がるほど臨床的エビデンス・QMS（品質マネジメントシステム）の要求が重くなります。発注先には、狙うクラスでの承認・認証実績があるかを必ず確認します。

該当性判断フロー（YES/NO）

1. そのAIの出力は、診断・治療・予防の意思決定に直接使われるか？ → NoならSaMD非該当の可能性が高い（業務支援として設計）。
2. Yesの場合、出力の誤りが患者の健康に影響し得るか？ → YesならクラスII以上を想定。
3. 医師が結果を必ず確認・最終判断する設計か？ → 自動診断に近づくほど高クラス・審査が重い。
4. 判断に迷う場合は、PMDAの「医療機器該当性に関する相談」や開発前相談を活用する（発注先が相談対応を支援できるかも評価軸）。

非該当に設計する選択肢（診療外・業務支援）

同じ目的でも、設計次第でSaMDを回避できることがあります。たとえば「カルテの下書き生成」「問診票の整理」「経営・在庫予測」は、医師の診断を代替せず業務を支援する設計にすれば非該当にしやすく、薬事手続きなしで素早く導入できます。鍵は「最終判断を必ず医師が行い、AIはあくまで参考情報・下書きを提供する」という役割の線引きを、UIと運用の両面で明確にすることです。逆に、同じ機能でも自動で確定診断を出す設計にすればSaMDに近づきます。つまりSaMD該当性は「技術」ではなく「使われ方の設計」で決まる面が大きいのです。

「まず非該当の業務支援AIで成果を出し、診断系SaMDは段階的に」という順序が、コストとリスクを抑える定石です。業務支援AIで現場のAIリテラシーとデータ基盤を育てておくと、後に診断系へ進む際の立ち上がりも速くなります。

規制対応マトリクス（薬機法／GMLP／次世代医療基盤法／要配慮個人情報／医療広告ガイドライン）

医療AIは複数の規制が重層的にかかります。一般的なAI開発が個人情報保護法とセキュリティガイドラインを意識すれば足りるのに対し、医療AIはこれに薬機法・GMLP・次世代医療基盤法・医療広告ガイドラインなどが重なります。競合記事の多くは規制を「用語の紹介」にとどめますが、発注で重要なのは「その規制に対応した実績が発注先にあるか」を確認することです。以下のマトリクスは、商談で発注先に投げかけるべき具体的な質問として使えるよう整理しました。

主要な規制・ガイドラインの全体像

• 薬機法（医薬品医療機器等法）：SaMDの承認・認証・QMS・市販後安全管理を規定。診断系AIの根幹。
• GMLP（Good Machine Learning Practice）：機械学習を用いた医療機器の開発・評価の良き慣行。データ品質・性能評価・モデル管理の国際的な考え方。
• 次世代医療基盤法（医療ビッグデータ法）：2023年5月改正成立。匿名加工医療情報に加え仮名加工医療情報を新設し、認定事業者による医療データの利活用の枠組みを整備（内閣府, 2024年4月利活用編）。研究・モデル学習にデータを使う際の根拠。
• 個人情報保護法（要配慮個人情報）：病歴等は要配慮個人情報（同法2条3項）に該当し、取得に原則本人同意が必要など最も慎重な扱いが求められる。
• 医療広告ガイドライン（厚労省）：AIの効果を訴求する際の広告表現の規制。実証されていない効果の標榜は不可。
• 医療情報システムの安全管理ガイドライン（3省2ガイドライン）：医療情報システム・クラウド利用時の安全管理。

規制対応マトリクス（発注先に確認すべき観点）

モデルの市販後性能監視（ドリフト）を契約に入れる

医療AIは納品して終わりではありません。患者集団・撮像機器・診療プロセスの変化でモデルの性能が時間とともに劣化するドリフトが起きます。たとえば撮像装置を更新した、患者層が変わった、新しい疾患概念が広がった——こうした変化で、導入時には高精度だったモデルが徐々にずれていきます。市販後の性能監視・再学習・再申請（必要な場合）まで誰が担うかを、契約段階で明確にします。これを曖昧にすると、運用開始後に「精度が落ちたが誰も直せない」状態に陥ります。一般的なソフトウェアの「保守」とは性質が異なり、データに基づく継続的な再評価が必要だという前提で、運用体制と費用を見積もってください。

「患者・診療データを外部LLMに送れるか」意思決定フロー

生成AIの活用で必ず論点になるのが、患者データを外部のLLM API（ChatGPT等）に送ってよいか、です。結論から言えば、患者を特定できる診療情報をそのまま外部LLMに送ることは原則できません。要配慮個人情報であり、委託・第三者提供のルールがかかるためです。対応策を段階で考えます。

データ分類から始める（要配慮個人情報・仮名加工・匿名加工）

1. 要配慮個人情報（生データ）：氏名・ID付きの診療情報。最も厳格。原則、外部LLMにそのまま送らない。
2. 仮名加工医療情報：氏名・IDを除き、単独では個人を識別できないよう加工した情報。次世代医療基盤法の枠組みで利活用の道がある。
3. 匿名加工医療情報：個人を識別できないよう加工し復元もできない情報。利活用の自由度が高い。

意思決定フロー（簡易版）

1. その業務に、患者を特定できる情報は本当に必要か？ → 不要なら匿名化・統計化して処理する。
2. 必要な場合、院内・オンプレ・専用テナント（閉域）で処理できないか？ → できるなら院外に出さない構成を優先。
3. どうしても外部サービスを使うなら、マスキング・仮名化してから送る／学習に使われない契約形態（API・エンタープライズ契約）を選ぶ。
4. いずれの場合も、患者への説明・同意設計と、委託先監督・3省2ガイドライン準拠を満たす。

具体例：外来カルテ要約をAIで効率化したい場合

カルテ要約は効果が大きい一方、生データは要配慮個人情報です。現実解は、(1)院内の閉域環境で動く生成AIを使う、(2)患者識別情報をマスキングしてから処理する、(3)要約結果は必ず医師が確認する、という設計です。さらに、外部APIを使う場合は「入力データを提供側の学習に使わない」契約形態（エンタープライズ／API契約）を選び、通信・保管の暗号化やアクセスログの取得まで含めて設計します。

重要なのは、「外部LLMは使えないから諦める」でも「便利だからそのまま送る」でもなく、データ分類に応じて処理方式を使い分けるという発想です。「データを守りながらAIを使う」手段は複数あり、これを設計できる開発会社かどうかが選定の分かれ目になります。提案段階で「御院のデータはどこで処理され、誰がアクセスでき、学習に使われるか」を明確に説明できる会社を選んでください。

医療機関タイプ別ROI試算 3シナリオ

医療AIのROIは、医療機関のタイプによって投資規模も回収経路も大きく異なります。以下は一般的な相場観に基づく試算例であり、実際の費用・効果は要件により変動します。

シナリオA：クリニック・診療所（業務支援AIから着手）

• 対象業務：カルテ・文書作成支援、AI問診による初期対応の効率化
• 初期費用の目安：数十万〜数百万円（SaaS型・カスタム小規模）。SaMD非該当の業務支援が中心のため低コストで始められる。
• 効果：医師・スタッフの文書作成・問診時間の削減。1人あたり1日30〜60分の削減でも、人件費換算で短期に回収が見えやすい。
• 回収の考え方：まず文書・問診の効率化で成果を出し、必要に応じて画像診断SaMD（承認済み製品の導入）を検討。

シナリオB：中核病院（200〜500床／読影・業務の両輪）

• 対象業務：画像診断支援（承認済みSaMD導入）＋カルテ・文書効率化＋経営予測
• 初期費用の目安：画像診断SaMDの導入で数百万〜千万円規模、PACS連携・院内展開を含むと上振れ。
• 効果：読影の見落とし低減・読影効率向上、文書時間削減、病床・人員最適化。令和8年度診療報酬改定の画像診断管理加算など制度面の追い風も考慮。
• 回収の考え方：診療報酬上の評価と業務時間削減を合算。複数部門で横展開するほど単価あたりの回収が改善。

シナリオC：製薬・大学病院・研究機関（創薬・大規模データ）

• 対象業務：創薬・標的探索、治験データ解析、リアルワールドデータ活用
• 初期費用の目安：数千万〜数億円規模。大規模計算基盤・データ連携・ガバナンス構築を含む。
• 効果：探索期間の短縮、研究生産性の向上。金額換算が難しいが、開発期間1工程の短縮インパクトは大きい。
• 回収の考え方：単年ROIより、研究開発パイプライン全体の加速で評価する。次世代医療基盤法の枠組みでのデータ利活用が鍵。

3シナリオに共通する「小さく始めて広げる」原則

いずれのタイプでも、機微情報を生で扱わない業務（文書・問診・経営予測）から着手し、削減工数を金額換算してから診断系・研究系に拡張すると、回収が見えやすくなります。最初から全社・全病院でSaMDを導入しようとすると、薬事・予算・現場定着のすべてで詰まります。ROI設計の一般論はAI導入のROI試算ガイドも参考になります。

病院 / クリニック / 製薬・研究機関 セグメント別のAI課題の違い

「医療AI」とひとくくりにされがちですが、組織のセグメントによって主戦場・規制の重み・連携要件はまったく異なります。発注先の実績を読むときは、自社セグメントに置き換えて評価してください。

急性期・中核病院

主戦場は画像診断・内視鏡などの診断支援と、カルテ・退院サマリーの文書効率化、病床・人員の経営予測です。PACS・電子カルテとの連携が必須で、放射線科・内視鏡部門・医療情報部が関与する組織横断プロジェクトになります。診療報酬上の評価（画像診断管理加算など）が導入の追い風になる一方、SaMDの薬事対応と3省2ガイドライン準拠が重くのしかかります。発注先には院内システム連携と部門横断の合意形成を支援できるかを確認します。

クリニック・診療所

主戦場はAI問診による初期対応の効率化と、カルテ・紹介状などの文書作成支援です。専任のIT部門がないことが多く、SaaS型で導入・運用負荷が低いことが重視されます。SaMD非該当の業務支援が中心のため、最も早く・安く成果を出せるセグメントです。発注先には少人数運用を前提とした使いやすさと、月額を含めたTCOの明朗さを求めます。

製薬・大学病院・研究機関

主戦場は創薬・標的探索・治験データ解析・リアルワールドデータ活用です。次世代医療基盤法の枠組みでのデータ利活用、倫理審査、大規模計算基盤が論点になり、単年ROIより研究開発パイプライン全体の加速で評価します。発注先には研究データのガバナンス設計と大規模データ連携の実績が問われます。

介護・在宅・健診

主戦場は見守り・記録の自動化、健診データのリスク予測、業務文書の効率化です。診療そのものより業務・予防領域が中心で、規制ハードルは比較的低い一方、現場の人手不足を前提とした「現場が使い切れる」設計が成否を分けます。

このように、自社が急性期病院なのかクリニックなのか製薬なのかで、評価すべき軸の重みが変わります。マトリクスの◎を見るときは、必ず自社セグメントの主戦場に引きつけて読み替えてください。

費用相場（業務別）と医療特有の隠れコスト

医療AIの費用は業務とSaMD該当性で大きく変わります。以下は一般的な相場として整理したレンジで、要件により上下します。

業務別の費用レンジ（目安）

見落としがちな医療特有の隠れコスト

• 薬事申請データセットの設計・品質管理：医療AIで最もコストがかかる工程。アノテーション（専門医による正解付け）費用も大きい。
• PMDA相談・申請対応：相談準備、申請資料作成、照会対応の人件費。
• PACS／電子カルテ連携：既存システムとの接続・標準規格（DICOM／HL7 FHIR）対応の追加開発。
• 市販後の性能監視・再学習：ドリフト対策の継続費用。誰が負担するかを契約で明確に。
• 倫理審査・同意取得：研究・データ利活用に伴う手続きコスト。

「初期開発費だけ」で比較すると、運用フェーズで想定外の費用が発生します。**5年総保有コスト（TCO）**で比較するのが医療AIの鉄則です。

医療AI開発会社の選定基準7軸（スコアリング例）

候補を2〜3社に絞ったら、次の7軸でスコアリングします（各5点、合計35点満点）。

1. 同領域の実績：自社の主業務（画像／内視鏡／問診／文書／創薬／経営）での開発・導入実績。
2. 薬事・規制対応力（SaMD／QMS／GMLP）：狙うクラスでの承認/認証・申請支援の実績。
3. データガバナンス：要配慮個人情報・次世代医療基盤法・3省2ガイドラインへの対応設計。
4. 既存システム連携：PACS・電子カルテ・DICOM／FHIR連携の実績。
5. 運用・MLOps（市販後監視）：ドリフト監視・再学習・保守の体制。
6. 費用とTCO：初期＋運用＋隠れコストを含む総額の妥当性。
7. 伴走・内製化支援：自院／自社が運用を引き取れるよう支援する姿勢。

スコアリングの実例

たとえば「中核病院で読影支援」なら、軸1（画像実績）・軸2（薬事）・軸4（PACS連携）に重みを置きます。「クリニックで文書効率化」なら、軸1（文書実績）・軸3（データガバナンス）・軸6（費用）・軸7（内製化支援）が効きます。自社の3軸（業務×規制×医療機関タイプ）に応じて重みを変えるのがポイントです。同じ35点満点でも、重み付けを変えるだけで最適な発注先は入れ替わります。複数人で別々にスコアリングし、評価の食い違いを議論すると、見落としていた論点が浮かび上がります。

医療AIの内製と外注、どちらを選ぶべきか

医療AIを「自前でつくる（内製）」か「外部に委託する（外注）」かは、コア度・体制・スピードの3点で判断します。

内製が向くケース

対象が自院・自社の競争力の源泉（独自の診療プロトコルや研究資産に基づくAIなど）であり、かつ機械学習エンジニアと薬事・品質保証（RA/QA）の体制が社内にある場合は、内製寄りが向きます。データの取り回しを自分たちで握れるため、継続的な改善・再学習のサイクルを内製で回せる利点があります。

外注が向くケース

体制がなく、早期に効率化の成果を出したい場合は外注寄りが現実的です。特に薬事申請・GMLPに沿った性能評価・本番運用（MLOps）は専門性が高く、希少な人材を一から採用するより、実績ある外部パートナーで補うほうが速く確実です。

現実解はハイブリッド＋段階的内製化

多くの医療機関・ヘルステック企業にとっての最適解は、「方針・データはこちらが握り、実装・薬事対応・運用を外部で補う」ハイブリッドです。立ち上げは外部に伴走してもらい、運用フェーズで徐々に内製へ移管していく段階的内製化が、コストと自律性のバランスを取りやすい進め方です。発注先を選ぶ際は、運用を自分たちに引き渡す意思と仕組み（ドキュメント・教育・伴走）があるかを確認してください。「囲い込み型」か「内製化支援型」かは、5年スパンのTCOと自律性を大きく左右します。AI推進体制そのものの設計はCAIO（最高AI責任者）が必要な理由も参考になります。

失敗パターンと医療特有リスクの回避策

医療AI導入には、一般的なシステム開発にはない固有の失敗パターンがあります。早期検知シグナルとあわせて整理します。

1. 誤検出・見落としの責任が曖昧：現行制度上、AIは医師の判断を支援する位置づけであり、最終的な診断責任は医師・医療機関にあるのが一般的な整理。「AIが見落とした」だけでは免責されにくい。→ 医師の確認を必須とする運用設計と、判断根拠のログ保存で備える。
   • 早期シグナル：契約に責任分界・運用要件の記載がない。
2. 自動化バイアス：AIの提示を過信し、医師の独立した判断が弱まる。→ AIは「参考情報」と位置づけ、UI・運用で過信を防ぐ。
   • 早期シグナル：現場が「AIが言うから」で判断する場面が増える。
3. 市販後の性能劣化（ドリフト）放置：患者集団・機器変更で精度が低下。→ 監視・再学習の責任と費用を契約に明記。
   • 早期シグナル：納品後の性能監視計画が提案に含まれない。
4. PoC止まり：精度は出たが、薬事・データガバナンス・現場定着の壁で本番化できない。→ 着手前に本番化要件（薬事・連携・運用）を逆算する。詳しくはPoCから本番化への進め方を参照。
   • 早期シグナル：PoC計画に本番化の前提条件が書かれていない。
5. データ品質の軽視：偏ったデータで学習し、特定集団で性能が出ない。→ データセット設計・バイアス検証を最初の工程に置く。
   • 早期シグナル：「とりあえず手元のデータで」と進めようとする。

医療では失敗コストが「やり直し費用」ではなく患者安全・行政対応・レピュテーションに及びます。失敗コスト視点で発注先の備えを評価してください。

発注先との契約で確認すべき医療AI特有の条項

一般的なシステム開発契約に加え、医療AIでは次の条項を必ず確認・明記します。ここを曖昧にしたまま発注すると、運用フェーズで責任や費用の所在をめぐってトラブルになります。

• データの権利と利用範囲：医療機関が提供したデータを、発注先が他案件のモデル学習に流用しないこと。学習・再利用の可否と範囲を明記。
• 要配慮個人情報の取扱い・委託先監督：保管場所（国内・院内・閉域）、再委託の可否、アクセス権限、漏えい時の通知・対応フロー。
• 薬事・QMSの責任分担（SaMD該当時）：承認/認証手続きの主体、申請資料の作成責任、照会対応の分担。
• 市販後の性能監視・再学習・保守：ドリフト監視の頻度・基準、再学習の費用負担、再申請が必要な場合の対応。
• 誤検出・障害時の責任分界：AIの結果に起因する不具合の切り分け、ログ保存とトレーサビリティ、医師の最終確認を前提とした運用要件。
• 知的財産とソースコード：成果物・学習済みモデルの権利帰属、内製移管時のソースコード・ドキュメントの提供。
• 撤退・移管条項：契約終了時のデータ返還・削除、別ベンダーへの移管に必要な情報提供（ベンダーロック回避）。

これらの条項に発注先が前向きに応じるかどうかは、「囲い込み型」か「内製化支援型」かを見抜く実務的なリトマス試験紙にもなります。

医療AI導入の進め方──PoCから薬事・本番化まで5ステップ

1. 課題定義と業務指標の設定：どの業務を、どの指標（読影時間・文書時間・検知率など）で改善するかを決める。同時にSaMD該当性を判定し、薬事の要否を確定する。ここで「診断系か業務支援系か」を切り分けておくと、後続のすべての判断が速くなる。指標は導入前のベースライン（現状値）を必ず計測しておき、効果を後から比較できるようにする。
2. データアセスメントとガバナンス確定：使えるデータの量・質・取扱い（要配慮個人情報／仮名・匿名加工）を確認し、同意・委託・保管の方針を固める。データの偏り（特定の機器・患者集団に寄っていないか）をこの段階で点検し、不足があれば収集・アノテーション計画を立てる。
3. PoC（概念実証）：限定データで実現可能性と精度を検証する。同時に本番化の前提条件（連携・薬事・運用）を逆算し、合格基準を事前に定義しておく。「精度が出た」だけで満足せず、現場のワークフローに乗るか・運用負荷が許容範囲かまで確認する。
4. 薬事・院内審査（該当する場合）：SaMDなら承認/認証手続き、研究なら倫理審査を行う。GMLPに沿った性能評価を実施し、評価データと学習データの分離など方法論の妥当性を担保する。スケジュールは審査期間を織り込んで余裕をもって設計する。
5. 本番リリースと市販後モニタリング（MLOps）：現場展開後も性能監視・再学習・保守を継続する。診療報酬・運用効果を計測してROIを確定し、横展開（他部門・他病院）の判断材料にする。性能劣化の兆候を早期に捉える監視ダッシュボードを用意しておくと、ドリフトに先回りできる。

発注前チェックリスト

データ準備チェックリスト

• 対象業務のデータは十分な量・質があるか／偏りはないか
• 要配慮個人情報の取得・利用に必要な同意は得られるか
• 学習・利活用は次世代医療基盤法／個情法のどの枠組みで行うか
• 保管場所（院内・国内・クラウド）と3省2ガイドライン準拠は明確か

RFPに含めるべき項目

• 解決したい業務と成功指標（KPI）
• SaMD該当性の想定と狙うクラス
• 必要な連携（PACS／電子カルテ／DICOM／FHIR）
• 市販後の性能監視・再学習・保守の責任分担
• 責任分界（誤検出時の運用・ログ）とセキュリティ要件

PoC設計チェックリスト

• 本番化の前提条件（薬事・連携・運用）を逆算しているか
• 評価指標と合格基準を事前に定義しているか
• データガバナンスをPoC段階から満たしているか
• 失敗時の撤退・方針転換の判断基準を決めているか

よくある質問

本FAQの回答は2026年6月時点の公開情報を基にしています。本記事は koromo 株式会社が運営するメディアであり、koromo 自身も比較対象に含まれます。各社評価は公開情報からの推定を含むため、発注時は必ず各社へ最新の対応状況・料金・規制対応をご確認ください。

まとめ──医療AIは「3軸 × 業務マトリクス」で絞り込む

医療AI開発会社の選定は、有名なベンダー名や「○○選」のリストから入ると、選択肢が多すぎて迷子になります。「業務 × 規制（SaMD該当性）× 医療機関タイプ」の3軸で自社の位置を定め、6業務×12社のマトリクスで主業務に◎が付く会社を絞り、規制対応・データガバナンス・市販後監視の実績で最終判断する——この順序なら15分で候補を2〜3社に絞れます。

最初の一歩としては、SaMD非該当の業務支援AI（カルテ・文書効率化、AI問診、経営予測）から着手し、成果を金額換算してから診断系・研究系に広げるのが、コストとリスクを抑える定石です。診断系のSaMDは、自院でゼロから開発するより、まず承認済み製品の導入から検討するとリスクを抑えられます。

そして発注先は、技術力だけでなく規制対応・データガバナンス・市販後監視・内製化支援まで評価してください。医療AIは「つくって終わり」ではなく、患者集団や運用の変化に合わせて育て続ける営みだからです。AI戦略の上流（どの業務から着手し、誰が推進するか）に不安がある場合は、CAIO代行・AI顧問サービスの比較も判断材料になります。自社の3軸を定め、業務マトリクスで候補を絞り、規制とTCOで最終判断する——この順序が、医療AI発注の遠回りに見えていちばんの近道です。