「AIに仕事を奪われる職業ランキング」の類いを目にするたび、胸の奥がざわつく——そんなセラピストは少なくないはずです。しかし、リハビリテーション領域の研究の現在地を実際に読んでいくと、見えてくる風景はまったく違います。AIはすでに歩行解析・予後予測・画像解釈・書類業務の一部に入り込みつつあり、しかもそのほとんどが「セラピストの代わりをする」のではなく「セラピストの評価と判断に材料を渡す」形で使われています。

問いを立て直しましょう。「AIに代替されるか」ではなく、「AIを臨床とキャリアに取り込んだ臨床家と、取り込まなかった臨床家の差がどこで開くか」です。この記事では、PT・OT・柔道整復師・鍼灸師・整体師といった評価と徒手・運動を扱う臨床家に向けて、①AIがすでに入っている領域の整理、②根拠となる実在論文6本の個別レビュー、③AIが代替しにくい領域の見極め、④明日からの実務での使い方、⑤倫理と限界、の順に整理します。結論を先取りすれば、AIは「敵」でも「魔法」でもなく、測定と予測を安くする道具です。道具が安くなったとき価値が上がるのは、道具の出力を臨床判断に翻訳できる人です。

AIはすでにどこに入っているか——4つの領域マップ

「AIとリハビリ」と聞くと遠い未来の話に聞こえますが、研究レベル・実装レベルで見ると、すでに入り込んでいる領域は大きく4つに分けられます。

図1 リハビリ領域でAIがすでに入っている4領域マップ

領域1：動作の計測——歩行解析・姿勢推定。 かつて三次元動作解析は、専用ラボ・反射マーカー・専門技術者を要する「持てる施設だけの評価」でした。ここに現れたのが、深層学習によるマーカーレス姿勢推定（OpenPoseに代表される技術）です。スマートフォンで撮った通常の動画から、関節位置を自動推定し、歩行の時間・距離因子や関節角度を算出する研究が2020年前後から急速に蓄積しました。後述するStenumらの検証やKidzińskiらの研究は、この流れの代表です。

領域2：予測——予後予測モデル。 脳卒中後の上肢機能がどこまで回復するかを、発症後数日のデータから予測する——これは従来、経験豊富な臨床家の「見立て」に大きく依存してきました。臨床指標・神経生理学的バイオマーカー・画像を組み合わせたアルゴリズムで予測を定式化する研究が進んでおり、後述のPREP2はその代表例です。予測が定式化されると、目標設定・家族説明・退院計画の議論の土台が変わります。

領域3：分類と判断支援——画像解釈・臨床意思決定支援。 医療AI全体で最も成果が出ているのは画像解釈です。放射線画像・皮膚病変・眼底写真などで、深層学習が専門医に匹敵する分類精度を示した報告が相次ぎました。運動器領域でも、画像診断支援や、患者の測定データからの病態分類・リスク層別化への応用がレビューされています（後述のTackのレビュー）。

領域4：業務の自動化——書類・記録。 音声認識と大規模言語モデルの組み合わせによる記録作成支援は、研究論文よりも実装が先行している領域です。カルテ・報告書・計画書の下書き生成は、すでに国内の医療・介護現場でも試行が始まっています。ここは「臨床の質」というより「臨床に使える時間」を増やす領域であり、導入の心理的ハードルが最も低い入口でもあります。

この4領域を眺めると、共通点に気づきます。いずれも「データを測る・分類する・予測する」工程の自動化であり、「患者に触れ、対話し、治療方針を決めて実行する」工程そのものではない、ということです。この構図が、後半の「代替されにくさ」の議論につながります。

エビデンスレビュー——実在論文6本を1本ずつ読む

ここからが本記事の中核です。①医療AI全体の見取り図、②③動画からの歩行解析、④機械学習の方法論、⑤予後予測、⑥運動器理学療法への応用レビュー、という流れで6本を選びました。すべてPubMedで書誌情報を確認できる実在の論文です（記事末尾に出典リンクあり）。

図2 エビデンス整理マップ（6論文の位置づけ）

論文1：Topol 2019（Nature Medicine）——医療AI全体の「見取り図」

何を調べたか。 医療におけるAI・深層学習の応用を、臨床家・医療システム・患者の3つのレベルから包括的に整理した総説です。著者のEric Topolは医療デジタル化研究の第一人者で、この論文は医療AI分野で最も引用される文献のひとつです。

何が分かったか。 AIの影響は、①臨床家に対しては主に迅速で正確な画像解釈として、②医療システムに対してはワークフロー改善と医療過誤削減の可能性として、③患者に対しては自分自身のデータを健康管理に使う手段として現れつつある、と整理されました。同時に、バイアス・プライバシーとセキュリティ・透明性の欠如という限界が明示され、「精度や生産性の向上は実現していくだろうが、それが患者-医療者関係の改善に使われるか、侵食に使われるかはまだ分からない」という留保で締められています。

臨床でどう使うか。 この論文の価値は、AIを「万能の脅威」でも「万能の解決策」でもなく、レベル別に効く場所が違う道具として見る視点を与えてくれることです。セラピストにとっての示唆は明確で、自分の業務を「画像・データの解釈」「ワークフロー」「患者自身のデータ活用」に分解したとき、AIが効くのはどこかを考える出発点になります。読み物としても平易で、チームでAI導入を議論する際の共通文献に向いています。

論文2：Stenum et al. 2021（PLoS Computational Biology）——スマホ動画の歩行分析は「どこまで正確か」

何を調べたか。 健常成人の平地歩行を、三次元動作解析装置とビデオカメラで同時に記録し、オープンソースの姿勢推定技術OpenPoseで動画から算出した歩行パラメータ（時間・距離因子と矢状面の関節角度）を、動作解析装置の値と1歩ごとに比較しました。

何が分かったか。 全ステップを個別に評価した場合、動作解析装置とOpenPoseの平均絶対誤差は、ステップ時間・立脚時間・遊脚時間などの時間因子で0.02秒、ステップ長で0.049mでした。参加者ごとの平均値として算出すると精度はさらに上がり、時間因子で0.01秒、ステップ長で0.018mまで誤差が縮小しました。歩行速度の差は最大でも0.10m/秒未満。一方、矢状面関節角度の平均絶対誤差は股関節4.0度・膝5.6度・足関節7.4度と、角度系はまだ誤差が大きいことも率直に報告されています。解析ワークフローは無償公開され、専門知識を前提としない設計です。

臨床でどう使うか。 「ビデオ歩行分析はどこまで信用してよいか」への定量的な答えです。時間・距離因子は群平均・個人平均レベルなら臨床利用に堪える精度に近づいている一方、関節角度を1度単位で論じる用途にはまだ使えない——この線引きを数字で言えることが重要です。歩行速度やステップ長の経時変化を外来で追う、訪問先でスマホ動画から時間因子を概算する、といった用途から始めるのが、この論文と整合的な使い方です。

論文3：Kidziński et al. 2020（Nature Communications）——単一カメラ動画から「臨床指標」を予測する

何を調べたか。 神経疾患・運動器疾患で歩行が障害された患者の通常のビデオ映像から、深層学習（ニューラルネットワーク）で臨床的に意味のある歩行パラメータを予測するモデルを構築し、専門施設の三次元歩行分析による実測値と比較しました。

何が分かったか。 動画からの予測は、歩行速度でr=0.73、ケイデンスでr=0.79、最大伸展時の膝屈曲角度でr=0.83、歩行障害の包括指標であるGait Deviation Index（GDI）でr=0.75の相関を示しました。著者らは、これらの相関値は対象患者集団におけるこれら指標の自然な変動が課す理論的上限に近いと述べています。つまり「安いカメラでも、この種の指標についてはほぼ測れる上限まで来ている」ということです。

臨床でどう使うか。 Stenumらが「健常者で歩行パラメータの精度検証」をしたのに対し、この研究は「患者集団で臨床指標の予測」まで踏み込んだ点が重要です。専門の歩行分析ラボにアクセスできない施設でも、動画ベースの定量評価が原理的に可能になりつつあることを示しており、「定量歩行分析は特別な施設のもの」という前提が崩れ始めたことを告げる論文です。ただし予測対象はモデルが学習した集団・指標に限られ、自施設の患者にそのまま外挿できる保証はありません。「研究レベルで実証済み、実装は各国でこれから」という距離感で読むべき1本です。

論文4：Halilaj et al. 2018（Journal of Biomechanics）——機械学習を「正しく評価する目」を持つ

何を調べたか。 運動器疾患・神経筋疾患の患者の動作を機械学習で研究した原著論文を系統的に検索し、人間の動作バイオメカニクス研究における機械学習の使われ方を整理した survey です。スタンフォード大学のDelpらのグループ（動作解析ソフトOpenSimの開発元）によるレビューです。

何が分かったか。 該当研究の多くは、①病的動作の分類、②疾患発症リスクの予測、③介入効果の推定、④院外モニタリングのための動作自動認識、のいずれかを目的としていました。重要な指摘は、モデルの構築と評価の方法が研究間で一貫しておらず、性能が過大評価されやすいことです。著者らは訓練・評価のベストプラクティス（データ分割・交差検証・リーク防止など）を提示し、バイオメカニクス研究者がデータサイエンスを学ぶ「クロストレーニング」と、データ・ツールの共有文化が不可欠だと結論しています。

臨床でどう使うか。 この論文は「AIを作る人」だけでなく「AIの論文や製品説明を読む人」にこそ効きます。たとえば「精度95%」を謳う製品に出会ったとき、①どの集団のデータで訓練したか、②評価は訓練と独立したデータで行われたか、③自施設の患者層と条件が近いか、を問う——この批判的評価の観点は、まさに私たちがエビデンスレベルの読み方で訓練してきたことの延長線上にあります。AI時代の文献の読み方は、EBMの読み方の応用問題だと教えてくれる1本です。

論文5：Stinear et al. 2017（Annals of Clinical and Translational Neurology）——予後予測を「アルゴリズム」にしたPREP2

何を調べたか。 脳卒中発症後3日以内に登録された207名（女性50%、年齢中央値72歳）のデータを用い、発症後3か月時点の上肢機能を予測するアルゴリズムを、分類回帰木（CART）分析で開発しました。臨床評価・経頭蓋磁気刺激（TMS）による運動誘発電位（MEP）の有無・画像などの候補から、実用的な組み合わせを探索しています。

何が分かったか。 得られたPREP2アルゴリズムは、上肢の麻痺の程度→年齢→TMSでのMEPの有無→病巣情報またはNIHSS（脳卒中重症度スコア）の順に段階的に判定する構造で、75%の患者で正しい予測を示しました。TMSというバイオマーカーが必要になるのは約3分の1の患者に限られ、MRIの代わりにNIHSSを使っても予測精度が落ちないことも示されました。高価な検査を全員に課さなくても運用できる設計です。

臨床でどう使うか。 予後予測アルゴリズムの価値は「当てること」だけではありません。予測が定式化されると、①目標設定の議論が「経験者の直感」から「共有可能な根拠＋臨床判断」に変わる、②新人とベテランの見立ての差が縮まる、③患者・家族への説明に一貫性が生まれる、という組織的な効果があります。同時に、75%の正答は25%は外れるということでもあります。アルゴリズムの出力を「決定」ではなく「議論の出発点」として使い、外れうるケース（若年者・非典型例など）で臨床判断を上書きする運用が前提です。この「アルゴリズムと臨床判断の分業」の感覚は、今後あらゆる予測AIに応用が利きます。

論文6：Tack 2019（Musculoskeletal Science and Practice）——運動器理学療法への応用を正面から論じたレビュー

何を調べたか。 運動器領域における教師あり・教師なし機械学習の主要な応用——画像診断・患者測定データの解析・臨床意思決定支援——を概説し、機械学習が人間と同等以上の精度を示している領域を文献ベースで検討した、理学療法士自身の手によるレビューです。

何が分かったか。 データの解析・分類・予測を含むタスクの自動化を通じて、機械が理学療法実践のさまざまな領域を強化しうる可能性が示されました。著者は、機械学習の応用によるサービス提供の変化を踏まえ、理学療法士が新興技術への認識と経験を増やすべきであり、データリテラシーを専門職の継続教育（professional development）の一部に組み込むべきだと提言しています。

臨床でどう使うか。 この論文の意義は、AI活用を「工学者の話」ではなく理学療法士の職能開発の話として位置づけ直したことです。英語論文が読める・統計が分かる、と同じ並びに「データとAIの基本が分かる」が加わる——そういうキャリア観の転換を、査読論文の形で後押ししてくれます。具体的な行動目標としては、①自分の領域のAI応用論文を年に数本読む、②施設内のデータ（測定値・記録）がどう蓄積されているかを把握する、③AIツールの導入検討時に臨床側の代表として発言できる準備をする、あたりが現実的な第一歩です。

AIが代替しにくい領域——「手・関係・統合」の3つ

6本の論文が扱っていたのは、測定・分類・予測の自動化でした。裏を返せば、そこに含まれていない仕事が、セラピストの業務には大量にあります。「情報処理としての難しさ」と「身体・関係としての難しさ」は別物であり、AIが苦手なのは後者です。

図3 「代替されにくさ」の2軸マップ

第1に、触診と徒手療法。 組織の硬さ・滑走・圧痛・防御性収縮を手で感じ取り、その場で力加減を調整しながら介入する仕事は、センサー技術とロボティクスがまだ遠く及ばない領域です。物理的に患者に触れて治療する行為は、データ化のボトルネック（触覚の計測・再現の困難さ）と、安全性・受容性のハードルが重なる、自動化の最difficultな領域のひとつです。

第2に、治療関係の構築。 痛みへの不安を聞き取り、生活背景を汲み、行動変容を支える——慢性疼痛領域で治療同盟（therapeutic alliance）が転帰に影響することが知られているように、リハビリの成果の一部は「誰と、どんな関係の中で行うか」に依存します。Topolの総説が最後に投げかけた「AIが患者-医療者関係を改善するか侵食するか」という問いは、まさにここに関わります。AIが書類業務を肩代わりして対面の時間が増えるなら改善に、画面ばかり見る診療になるなら侵食に転びます。

第3に、文脈の統合と責任ある意思決定。 アルゴリズムは学習した範囲の入力から出力を返しますが、「この患者は独居で、家の廊下が狭く、本人は畑仕事への復帰を何より望んでいる」という文脈を統合して治療方針を決め、その結果に責任を負うのは臨床家です。PREP2の75%という数字が示すとおり、予測は外れます。外れたときに軌道修正する主体は、現行の制度上も倫理上も人間の専門職です。

注意したいのは、この3領域が「安全地帯」ではないことです。触診の信頼性研究が示すとおり、手の評価には限界もあります。「AIにできないから価値がある」のではなく、「AIの出力と手・関係・文脈を統合できるから価値がある」——守りではなく統合として捉えるほうが、実態に合っています。

明日からの実務——4段階の取り込みステップ

「よし、AIを学ぼう」と意気込んで挫折するパターンの多くは、いきなり難しいこと（プログラミング、モデル構築）から入ることです。臨床家の取り込み方は逆で、リスクの低い業務から段階的にが原則です。

図4 臨床家のAI取り込み4ステップ

ステップ1：書類・文章業務で道具に慣れる（リスク小）。 症例報告の構成案、患者説明資料の下書き、文献の要約補助など、最終確認を自分が行える業務から始めます。ここでの目的は成果物より、AIの得手不得手（もっともらしい誤りを混ぜる、根拠の捏造がある）を体感で学ぶことです。患者の個人情報を外部サービスに入力しないという一線は、この段階から徹底します。

ステップ2：動画で動作を「残して比べる」習慣を作る。 姿勢推定AIを導入する前段階として、同意を得た上で歩行・動作を定点動画で記録し、介入前後・来院ごとに比較する運用を整えます。StenumらやKidzińskiらの研究が示すとおり、動画は将来AIで解析可能な一次データです。撮影条件（矢状面・全身・一定距離）を揃えておけば、後からツールを載せる土台になります。このとき大切なのは「きれいな動画を撮ること」ではなく「同じ条件で撮り続けること」です。カメラの位置・高さ・歩行路の距離を院内で標準化しテンプレート化しておくと、数か月後には介入効果の説明材料としてそのまま使える比較データが自然に貯まっていきます。

ステップ3：予測研究・ガイドラインを「議論の土台」に使う。 PREP2のような予後予測研究を、自分の担当症例に頭の中で当てはめ、自分の見立てとの一致・不一致を検討します。ツールとして導入する前でも、「定式化された予測と自分の臨床判断を突き合わせる」思考訓練は今日からできます。カンファレンスで予測の根拠を言語化する習慣は、AI導入後の「出力を鵜呑みにしない文化」の土台になります。

ステップ4：施設のAI導入検討に「臨床側の目」として関わる。 歩行解析ツールや記録支援システムの導入が検討されるとき、Halilajらの批判的評価の観点（訓練データは誰か・独立した検証はあるか・自施設の患者層に合うか）を持って発言できる臨床家は貴重です。ベンダーの精度表示を検証する視点は、EBMで鍛えた文献の読み方の応用であり、ここがキャリア上の差別化ポイントになります。

キャリアの観点で付け加えれば、Tackが提言した「データリテラシーを継続教育に組み込む」は、個人レベルでは①表計算での自施設データ整理、②統計の基礎の復習、③AI応用論文の定期的な読解、という地味な積み上げで十分に始まります。「AI人材になる」必要はありません。「AIと臨床の間の翻訳者」が、当面もっとも不足する人材です。

限界と注意点——この知見で「言えないこと」

誠実な活用のために、現時点のエビデンスと技術の限界を明確にしておきます。

  • 「AIで臨床成績が改善した」を示す介入研究はまだ乏しい。 本記事の6本は精度検証・予測・レビューであり、AIツールの使用が患者の転帰を改善することを示したランダム化比較試験は含まれていません。「測れる・予測できる」と「使えば良くなる」の間には距離があります。
  • 精度は集団依存で、外的妥当性に限界がある。 学習データと異なる患者層・撮影条件・機器では性能が落ちる可能性が常にあります。Halilajらが指摘したとおり、評価方法の不備で性能が過大に見えている研究も存在します。
  • バイアスの持ち込みがありうる。 訓練データに含まれない属性（高齢者・重症例・少数疾患など）で系統的に誤る危険は、Topolが挙げた医療AI共通の課題です。出力が特定の患者群で偏っていないかを疑う目が要ります。
  • 責任の所在は変わらない。 AIの出力を参考にした判断の責任は臨床家と施設にあります。予測が外れた場合の説明・修正まで含めて、意思決定の主体は人間側に留まります。
  • 個人情報とデータの取り扱いは前提条件。 動画・測定データ・記録文章はいずれも要配慮個人情報になりえます。同意取得・匿名化・外部サービスへの入力可否の施設ルール整備は、活用に先立つ義務です。
  • 過信も過小評価も等しく危険。 「AIが言うなら」と鵜呑みにする過信と、「しょせん機械」と全否定する過小評価は、どちらも患者の不利益につながります。出力を仮説として扱い、臨床所見と突き合わせる——EBMの態度がそのまま適用されます。

まとめ——測定が安くなる時代の臨床家の立ち位置

図5 人×AIの協働フロー（測定・予測はAIへ、統合・決定・関係は人へ）

本記事の要点を4つに圧縮します。

  1. 現在地：AIはすでに動作計測（姿勢推定）・予後予測・画像解釈・書類業務に入り込んでいる。その本質は「測定・分類・予測を安くする」ことであり、医療AI全体の見取り図はTopol（2019）が示している。
  2. エビデンス：スマホ動画の歩行分析は時間・距離因子で臨床利用に近い精度（Stenum 2021）、患者動画からの臨床指標予測は理論的上限に迫る相関（Kidziński 2020）に達した。予後予測はPREP2が75%の正答率でアルゴリズム化（Stinear 2017）。ただし機械学習研究には評価方法のばらつきがあり、批判的な読みが要る（Halilaj 2018）。理学療法士のデータリテラシーは継続教育の課題になった（Tack 2019）。
  3. 代替されにくい領域：触診・徒手、治療関係の構築、文脈を統合した責任ある意思決定。ただしこれらは「安全地帯」ではなく、AIの出力と統合してこそ価値になる。
  4. 実務：書類→動画記録→予測との突き合わせ→導入検討への参画、の4段階で取り込む。目指すのは「AI人材」ではなく「AIと臨床の間の翻訳者」。

図6 まとめ：AI時代のセラピストの4つの要点

測定と予測が安くなる時代に希少になるのは、出力を目の前の患者の文脈に翻訳し、手と関係を使って実行に移せる臨床家です。明日の臨床では、まず同意を得て動作の動画を1本、条件を揃えて残すところから始めてみてください。それが5年後のあなたの施設の「データ資産」の一枚目になり、AIを取り込む側に回るための最初の一歩になるはずです。

よくある質問

結局、理学療法士・セラピストはAIに代替されるのですか

「職業ごと消える」形の代替を支持するエビデンスは現時点で見当たりません。本記事で見たとおり、研究が進んでいるのは測定・分類・予測の自動化であり、触診・徒手・治療関係・責任ある意思決定を含む業務全体の代替ではありません。一方で、業務の中のタスク単位では置き換えや効率化が進むと考えるのが自然です。歩行の定量評価や書類作成に長い時間を割いてきた働き方は変わりうるため、「職業の代替」ではなく「タスク構成の変化」に備える、が実態に即した答えになります。変化の初期に道具の使い方と限界を体で覚えた臨床家ほど、タスクの再編を自分に有利な形で設計できる——これが本記事の一貫した立場です。

プログラミングを学ぶべきでしょうか

必須ではありません。Tack（2019）が提言するデータリテラシーは、プログラミング能力そのものではなく、データの性質・限界・評価方法を理解して意思決定に使う力を指します。臨床家にとって優先度が高いのは、①AI応用論文を批判的に読む力（Halilajらの観点）、②自施設のデータの所在と質の把握、③ツール導入時に臨床側の要件を言語化する力です。その上で興味があれば、表計算の関数や簡単なスクリプトから学ぶのは、データの解像度を上げる意味で無駄になりません。

患者の動画や情報をAIツールに入れてもよいですか

施設のルールと同意が整うまでは入れない、が原則です。動画・氏名・病歴を含むデータは要配慮個人情報になりえます。外部のAIサービスは入力データの取り扱い（学習への利用・保存場所・削除可否)がサービスごとに異なるため、①施設としての利用規程の確認・整備、②患者からの撮影・利用同意の取得、③可能な限りの匿名化、の3点が前提になります。逆に言えば、この手続きを整えること自体が、施設にAIを持ち込む際の最初の実務であり、臨床側からリードできる仕事です。

出典（すべてPubMedで確認済み）

  1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019;25(1):44-56. DOI: 10.1038/s41591-018-0300-7（PubMed: 30617339）
  2. Stenum J, Rossi C, Roemmich RT. Two-dimensional video-based analysis of human gait using pose estimation. PLoS Computational Biology. 2021;17(4):e1008935. DOI: 10.1371/journal.pcbi.1008935（PubMed: 33891585）
  3. Kidziński Ł, Yang B, Hicks JL, Rajagopal A, Delp SL, Schwartz MH. Deep neural networks enable quantitative movement analysis using single-camera videos. Nature Communications. 2020;11(1):4054. DOI: 10.1038/s41467-020-17807-z（PubMed: 32792511）
  4. Halilaj E, Rajagopal A, Fiterau M, Hicks JL, Hastie TJ, Delp SL. Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities. Journal of Biomechanics. 2018;81:1-11. DOI: 10.1016/j.jbiomech.2018.09.009（PubMed: 30279002）
  5. Stinear CM, Byblow WD, Ackerley SJ, Smith MC, Borges VM, Barber PA. PREP2: A biomarker-based algorithm for predicting upper limb function after stroke. Annals of Clinical and Translational Neurology. 2017;4(11):811-820. DOI: 10.1002/acn3.488（PubMed: 29159193）
  6. Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskeletal Science and Practice. 2019;39:164-169. DOI: 10.1016/j.msksp.2018.11.012（PubMed: 30502096）

※本記事は医療従事者向けの教育・情報提供を目的としたもので、特定の製品・治療法の効果を保証するものではありません。AIツールの臨床利用は、各施設の規程と各臨床家の評価・判断のもとで行ってください。