外来リハの問診中、60代の変形性膝関節症の患者さんがスマートフォンを差し出してこう言いました。「先生、このアプリにこの運動を勧められたんですけど、やってもいいですか」。画面には、AIが生成したという運動メニューが並んでいます。スクワットの回数も、注意書きも、それなりにもっともらしい。あなたは一瞬、答えに詰まります。頭ごなしに「アプリはやめておきましょう」と言えば、患者さんは黙って使い続けるだけでしょう。かといって「いいですね、続けてください」と言うには、そのアプリが何者なのか、何も知らない——。

この場面は、もう例外ではありません。症状を入力すると受診の要否を判定する症状チェッカー、AIが体調に合わせて運動メニューを組み替えるセルフケアアプリ、24時間健康相談に応じるチャットボット。患者さんは療法士に相談する前に、あるいは相談と並行して、これらを使い始めています。問いはすでに「患者にAIアプリを使わせるべきか」ではなく、「すでに使っている患者と、療法士はどう関わるか」に変わりました。そして後述するとおり、検証研究の答えは単純な賛否ではありません。適切に設計された運動支援アプリは、RCTで痛みと機能の改善を示す一方、生成AIの運動推奨は必要事項の4割しかカバーせず、症状チェッカーの診断精度は比較対象の専門職をほぼ常に下回ります。効くアプリと危ういアプリが同じ画面の中に混在している——だからこそ、目利きできる専門職の関与に価値が生まれます。

この記事では「セルフケア アプリ AI」「運動 アプリ 効果 リハビリ」を調べているセラピストに向けて、①患者向けAIアプリの3類型と現状、②実在論文6本の個別レビュー、③療法士の新しい役割（目利き・処方・併走）、④患者にどう説明するか、⑤安全性の線引き、⑥限界、の順に整理します。なお、療法士自身がLLMを臨床推論に使う際の注意はLLMと臨床推論の記事で、ウェアラブルによる在宅モニタリングはウェアラブル×AI在宅リハの記事で扱っています。本記事は「患者側の手元にあるAI」に焦点を絞ります。

患者向けAIアプリの3類型——何がどこまで来ているか

ひとくちに「AIセルフケアアプリ」と言っても、性格の異なる3つの類型が混在しています。関わり方を考える前に、まずこの区別が必要です。

図1 患者向けAIセルフケアアプリの3類型と療法士の関与ポイント

第1の類型は運動支援アプリです。症状や活動量に応じて運動メニューを個別化し、動画で示範し、リマインダーで実施を促します。腰痛向けのselfBACKのように、AIが毎週プランを組み替えるものも登場しています。3類型の中で検証が最も進んでおり、後述のとおりRCTで効果が示されたものがあります。

第2の類型は症状チェッカーです。症状を入力すると、考えられる原因と「救急へ/受診を/様子見で」といったトリアージ判定を返します。受診前の患者さんが最初に触れるAIであり、療法士の目に見えないところで受診行動を左右します。検証研究の結果は3類型の中で最も厳しいものです。

第3の類型はチャットボット・生成AIです。健康相談への回答、運動習慣づくりの声かけ、そしてChatGPTのような汎用生成AIへの「膝が痛いときの運動を教えて」という直接の質問。もっとも急速に広がっている類型ですが、回答の質は課題を残しています。

重要なのは、患者さん自身はこの3類型を区別していないことです。「AIが言った」という一つの箱に入ってしまう。どの類型のAIが言ったのかで信頼性がまったく違う——これを翻訳して伝えることが、療法士の関与の出発点になります。

論文の選び方——選定基準の明示

本記事の6本は次の基準で選びました。①PubMed（E-utilities API）で書誌情報とアブストラクトを取得し、記事中の数値を原文と照合できた実在論文であること。②患者・一般利用者が直接使うデジタルセルフケアツール（運動アプリ・症状チェッカー・チャットボット・生成AI）の効果または質を定量評価した研究であること。③RCTとシステマティックレビュー（SR）・メタ解析を優先し、2021〜2024年の研究で構成したこと。④運動支援・症状チェック・会話型AIという3類型すべてをカバーし、肯定的結果と否定的結果の両方を含むこと。⑤当サイト既刊のAIクラスタ（LLM×臨床推論・ウェアラブル×AI等）で扱った文献と重複しないこと。各論文には「研究の限界」を必ず1文添えます。

図2 エビデンス整理マップ——6論文とアプリ3類型の対応

エビデンスレビュー——実在論文6本を1本ずつ読む

論文1：Sandal et al. 2021（JAMA Internal Medicine）——AI個別化セルフケアアプリselfBACKのRCT、効果は「有意だが小さい」

何を調べたか。 腰痛でプライマリケア・脊椎外来を受診した成人461名を、通常ケアに加えてselfBACKアプリを使う群（232名）と通常ケアのみの群（229名）に無作為化した、デンマーク・ノルウェーの多施設RCTです。selfBACKは利用者の特性と症状に合わせて、身体活動・筋力/柔軟性運動の週次プランと毎日の教育メッセージを個別に組み替える、ケースベース推論型のAIアプリです。

何が分かったか。 主要評価項目である3か月時点のRoland-Morris障害質問票（RMDQ）の群間差は0.79点（95%CI 0.06〜1.51、P=.03）でアプリ群が有意に良好。RMDQが4点以上改善した人の割合はアプリ群52%対対照群39%（調整オッズ比1.76）でした。ただし著者ら自身が、平均差としての改善は「小さく、臨床的意義は不確実」と明記しています。

臨床でどう使うか。 この研究の価値は「AIアプリは腰痛の特効薬ではないが、通常ケアに上乗せする自己管理支援としては機能する」という等身大の答えを出したことです。平均効果は小さくても、4点以上の改善者が13ポイント多いという結果は、合う患者には確かに効いていることを示唆します。「アプリだけで治る」でも「アプリは無意味」でもなく、通常の理学療法の間を埋める自己管理の足場——これが現在地です。

研究の限界。 参加者・治療者の盲検化ができない自己報告アウトカムの試験であり、アプリ利用そのものの効果と「見守られている感覚」の効果を分離できません。

論文2：Nelligan et al. 2021（JAMA Internal Medicine）——無人の運動プログラム＋自動メッセージで、膝OAの痛み改善達成72%対42%

何を調べたか。 変形性膝関節症の臨床基準を満たす206名を、情報提供ウェブサイトのみの群と、それに加えて24週の自己実施型筋力運動プログラム＋行動変容理論に基づく自動テキストメッセージ（実施を促す声かけ）を受ける群に無作為化したオーストラリアのRCTです。人間による指導・監督は一切ない、完全無人の介入です。

何が分かったか。 24週時点で介入群は膝痛（NRS）が群間差1.6点（95%CI 0.9〜2.2）、身体機能（WOMAC）が群間差5.2点（95%CI 1.9〜8.5）改善。臨床的に意味のある痛み改善を達成した割合は介入群72.1%対対照群42.0%、機能改善は68%対40.8%と、いずれも介入群が大きく上回りました。一方、身体活動量と自己効力感には差がありませんでした。

臨床でどう使うか。 「無人でもここまで動くのか」が率直な驚きどころです。鍵は運動処方の中身が運動療法ガイドラインに沿って設計されていたことと、自動メッセージがアドヒアランスの仕掛けとして機能したことにあります。療法士の視点では、この結果は脅威ではなく設計図です。自分が処方した自主トレに「実施を促す自動の声かけ」を組み合わせれば、対面の間の空白を埋められる。逆に言えば、声かけの仕掛けがない紙の自主トレ表は、この対照群と同じ土俵にいます。

研究の限界。 参加者は自らウェブ研究に応募したデジタル利用に積極的な集団であり、高齢者や健康リテラシーの低い患者への一般化には制約があります。

論文3：Davergne et al. 2023（Journal of Medical Internet Research）——個別化運動動画アプリのメタ解析、身体機能SMD 0.35

何を調べたか。 個別化された運動動画を提供するアプリのRCT 10本（計1,050名、筋骨格系疾患7本・神経疾患3本）を統合したSR・メタ解析です。アプリの多く（10本中7本）は商用製品で、動画の作成には10本中8本で理学療法士が関与していました。

何が分かったか。 介入終了時の身体機能はアプリ群がSMD 0.35（95%CI 0.19〜0.51、I²=0%）と小〜中等度の改善を示し、運動遂行への自信はSMD 0.67と中等度以上の改善を示しました。有害事象の増加はありませんでした。一方、運動アドヒアランスとQOLへの効果はエビデンスの質が非常に低く「不確実」と判定され、含まれた全研究がバイアスリスク高と評価されています。

臨床でどう使うか。 個々のRCTでなく分野全体を見渡した相場観として、「個別化運動動画アプリは身体機能をSMD 0.3台で改善する」は療法士が患者説明に使える数字です。興味深いのは、機能そのものより「運動できるという自信」への効果が大きいこと。動画の示範とその場のフィードバックは、紙の運動指導箋が苦手とする自己効力感の領域を補完します。同時に、肝心のアドヒアランス改善が「不確実」である事実は、アプリを渡すだけでは継続問題は解決しないことを意味します。

研究の限界。 含まれた10研究すべてがバイアスリスク高で、効果推定はエビデンスの質が低いことを前提に読む必要があります。

論文4：Oh et al. 2021（International Journal of Behavioral Nutrition and Physical Activity）——AIチャットボットの行動変容効果、「有望だが結論は出せない」

何を調べたか。 身体活動・健康的な食事・減量を促すAIチャットボット介入の研究9本（RCT 4本・準実験5本）を系統的にレビューし、チャットボットの特性・会話能力・アウトカムを分析した研究です。

何が分かったか。 身体活動をアウトカムとした7研究のうち5研究でチャットボット介入が有望な結果を示しました。一方、食事・体重への効果を検討した研究は少なく、アウトカム報告も研究間で不統一で、著者らは「効果について確定的な結論は出せない」と明記しています。また、レビュー時点の半数超（56%）はルールベースの制約型チャットボットで、現在の生成AI型とは設計が異なりました。

臨床でどう使うか。 「毎日の声かけ相手」としてのAIの可能性と、その検証の未成熟さを両方教えてくれる研究です。運動習慣づくりで最も不足しているのは知識ではなく継続への伴走であり、24時間応答するチャットボットはその隙間に収まりうる——これが有望さの根拠です。ただし効果の確立はこれからで、特に現在患者さんが触れている生成AI型チャットボットの行動変容効果は、この9研究のどれとも別物です。「散歩を促すアプリの声かけ機能」程度に期待値を設定し、治療の代替と誤解させないことが実務上の落とし所です。

研究の限界。 対象9研究の大半が生成AI以前の制約型チャットボットの小規模検証であり、現在のLLM型チャットボットの効果をそのまま示すものではありません。

論文5：Riboli-Sasco et al. 2023（Journal of Medical Internet Research）——症状チェッカーの診断精度は「ほぼ常に比較対象より低い」

何を調べたか。 一般利用者向けオンライン症状チェッカーのトリアージ精度（適切な受診先への振り分け）と診断精度を検証した研究14本（2万1,296件から選定）の系統的レビューです。臨床ビネット・診療記録・患者の直接入力を用いた研究が含まれます。

何が分かったか。 診断精度はツール間のばらつきが大きく、全体として低水準で、ほぼすべての研究で比較対象（医師・看護師等）を下回りました。トリアージ精度も13研究中9研究で「最適水準に達しない」と評価されています。精度を左右する要因として、症状の重症度・緊急度、AIアルゴリズムの使用、属性質問の有無が挙がりましたが、影響の方向はツールによって不定でした。

臨床でどう使うか。 患者さんが「アプリで調べたら大丈夫と出たから」と受診を遅らせるシナリオへの、定量的な備えになる研究です。特に注意すべきは、症状チェッカーの誤りには過剰受診方向（軽症を救急へ）と受診抑制方向（重症を様子見へ）の両方があることです。療法士としては「アプリの判定は参考程度、レッドフラッグ症状（安静時痛の持続、進行する筋力低下、膀胱直腸障害など）があればアプリが何と言おうと受診」という線引きを、アプリの話題が出たときに必ず添えるのが実務です。

研究の限界。 含まれた研究の多くがビネット（模擬症例）ベースの検証であり、実際の患者が実際の症状で使ったときの精度と受診行動への影響は十分検証されていません。

論文6：Zaleski et al. 2024（JMIR Medical Education）——生成AIの運動推奨、正確性90.7%・網羅性41.2%

何を調べたか。 AIチャットボット（ChatGPT）に26の臨床集団（心疾患・糖尿病・関節炎など）向けの個別運動推奨を出させ、ガイドラインに基づく10カテゴリ（運動前スクリーニング、頻度・強度・時間・種類、漸増、特別な配慮など）の網羅性・正確性・可読性を2名の独立評価者が採点した研究です。

何が分かったか。 出力された内容の事実としての正確性は90.7%と高い一方、必要な要素の網羅性は41.2%にとどまりました。誤りの過半（53%）は運動開始前の医学的スクリーニングの要否に関するものでした。可読性は大学レベル（Flesch-Kincaid平均13.7）と一般患者には難解で、質的分析では有酸素運動への偏り、年齢や障害のある人への潜在的バイアスも観察されました。

臨床でどう使うか。 「書いてあることは概ね正しいが、書くべきことの6割が書かれていない」——生成AIの運動助言の弱点を、これほど明確に数値化した研究は貴重です。抜けやすいのが漸増計画と運動前スクリーニングという、安全性に直結する要素である点が肝心です。冒頭の「このアプリの運動、やってもいいですか」への答え方がここから導けます。メニュー自体の否定から入るのではなく、抜けている要素（あなたの既往歴でこの強度から始めてよいか、どう漸増するか）を専門職が補う——それが患者の行動と安全の両方を守る関わり方です。

研究の限界。 単一時点・単一チャットボットの英語での検証であり、モデル更新後や日本語での運動推奨の質をそのまま示すものではありません。

療法士の新しい役割——目利き・処方・併走

6本の研究を重ねると、患者向けAIアプリ時代の療法士の役割は3つの動詞に整理できます。

図3 RCT・メタ解析が示した運動支援アプリの効果

第1に目利き（アプリの品質評価）です。効果が示されたアプリ（selfBACK型の個別化運動支援）と、精度が不十分なツール（症状チェッカー、生成AIの運動助言）が市場で同列に並んでいる以上、どれが検証済みかを見分ける仕事は専門職にしかできません。チェック観点は5つ——①効果検証の有無（RCTや前後研究があるか、「AI搭載」の宣伝だけか）、②運動内容の出所（ガイドライン・専門職の関与が明記されているか）、③安全設計（中止基準・受診勧奨・レッドフラッグ対応が組み込まれているか）、④個人情報の扱い（健康データの利用目的が明示されているか）、⑤事業の継続性（突然サービス終了しないか）。完璧なアプリを探すのではなく、「この患者のこの目的なら、この程度の根拠で足りる」という適合判定が目利きの実体です。

第2に処方（対面リハへの組み込み）です。Nelligan 2021が示したとおり、良く設計された運動プログラム＋自動の声かけは無人でも痛みと機能を改善します。これを対面リハの代替と読むのではなく、対面と対面の間を埋める部品として処方する。具体的には、外来で運動を指導→アプリで動画とリマインダーを設定→次回外来でアプリの実施記録を一緒に見る、という往復です。「アプリを勧める」で終わらせず、どの機能を・どの頻度で・いつまで使うかを指定するから「処方」なのです。

第3に併走（利用状況のフォロー）です。Davergne 2023が示したとおり、アプリを渡してもアドヒアランス問題は自動では解決しません。継続の壁は初回2〜4週に集中するため、処方後最初の再来時に「開いていますか」ではなく「どの画面で止まりましたか」と訊く。使われなくなったアプリを責めるのではなく、止まった理由（痛みが出た・難しすぎた・通知が多すぎた）を評価情報として回収し、メニューを調整する。アプリの実施ログは、患者さんの自宅での実像を映す、問診より正直な資料になります。

患者にどう説明するか——推奨する時・止める時

図4 症状チェッカー・生成AI助言の弱点マップ

推奨する場面の伝え方。 運動支援アプリを勧めるときは、効果の大きさを正直に伝えるのが結局は近道です。「これで治ります」ではなく、「続けた人の方が痛みや動きの改善する割合が高いことが研究で確認されているアプリです。私の指導の代わりではなく、次の来院までの間を支える道具として使いましょう」。過大な期待は2週間で失望に変わり、アプリごと放棄されます。等身大の期待値が、継続の最初の条件です。

軌道修正する場面の伝え方。 冒頭の場面——生成AIの運動メニューを見せられたとき——の実務解は、否定でも追認でもなく「補完」です。「いいメニューもありますね。ただAIの運動提案は、あなたの膝の状態や薬のことを知らずに作られているので、始める強さと増やし方だけ私に調整させてください」。Zaleski 2024の「正確性90.7%・網羅性41.2%」はまさにこの言い方の根拠です。患者さんの自主性を尊重しながら、安全に関わる欠落部分に専門職が入る形をつくります。

止める場面の伝え方。 明確に止めるべきは2つの状況です。第1に、症状チェッカーの判定を理由に受診を控えようとしているとき。「そのアプリの診断の正確さは、研究では専門職を下回ると報告されています。今の症状は実際に診てもらう価値があります」と、精度データを根拠に受診へ導きます。第2に、レッドフラッグ症状があるのにアプリの運動を続けているとき。夜間も続く痛み、進行する脱力やしびれ、発熱を伴う症状などでは、アプリの継続よりも医学的評価が先です。止める説明はアプリ批判ではなく「アプリが想定していない状況に入った」という枠づけにすると、患者さんのアプリへの愛着と衝突しません。

安全性の線引き——療法士が引くべき4本の線

第1の線は診断の線です。運動支援・習慣支援はアプリに任せられても、「この痛みが何か」の判断は任せられません。症状チェッカーの診断精度データ（Riboli-Sasco 2023）がその根拠です。第2の線は開始の線。運動プログラムを始めてよい状態かの判断（既往・服薬・レッドフラッグの確認）は、生成AIが最も間違えやすい部分でした（Zaleski 2024）。第3の線は悪化時の線。「運動して痛みが増えたらどうするか」の分岐を、アプリ任せにせずあらかじめ言語化して渡しておく（例：翌朝まで残る痛みが出たら中止して連絡）。第4の線は個人情報の線です。症状・服薬・生活状況を無料アプリや生成AIに入力することはデータ提供と表裏一体であり、特に生成AIへの相談内容の入力については、施設としての考え方を持っておく必要があります（この論点はChatGPT・生成AIの臨床実務の記事も参照してください）。

図5 療法士の3つの新しい役割——目利き・処方・併走

限界と注意点——この知見で「言えないこと」

  • 効果が示されたのは特定のアプリであり、「AIアプリ一般」ではありません。 selfBACKやNelliganらのプログラムの結果を、市場の類似アプリに外挿することはできません。アプリの効果は設計の中身に強く依存します。
  • 平均効果は小さめです。 selfBACKのRMDQ差0.79点は著者ら自身が臨床的意義を「不確実」とする水準で、メタ解析の機能改善もSMD 0.35です。対面の運動療法を置き換える根拠はどの研究にもありません。
  • アドヒアランスへの効果は確立していません。 「アプリなら続く」は現時点で研究に裏づけのある主張ではなく、継続支援は依然として人間側の仕事です。
  • 研究参加者はデジタル利用に前向きな集団に偏っています。 高齢者・重複疾患のある患者・デジタル機器に不慣れな患者での効果と安全性のデータは不足しており、アプリ推奨がデジタル格差を拡大する可能性にも注意が必要です。
  • 生成AI・症状チェッカーの評価は特定時点のものです。 モデルの更新で性能は変わり、数値は「桁感」として使うべきものです。また日本語環境・日本の医療制度での検証はいずれの類型でも乏しい状態です。
  • 本記事の研究は患者アウトカムまでの因果を完全には示していません。 特にチャットボットと症状チェッカーについては、利用が受診行動や最終的な健康状態をどう変えるかの前向きデータがほとんどありません。

まとめと「明日からの3ステップ」

図6 まとめ：患者向けAIアプリとの関わり方4か条

要点を4つに圧縮します。第1に、患者向けAIアプリは類型で信頼性がまったく違う——検証済みの運動支援アプリはRCTで効果を示し（改善達成72%対42%——Nelligan 2021、RMDQ差0.79——Sandal 2021、機能SMD 0.35——Davergne 2023）、症状チェッカーの診断精度は専門職をほぼ常に下回り（Riboli-Sasco 2023）、生成AIの運動助言は正確でも網羅性が4割です（Zaleski 2024）。第2に、療法士の新しい役割は目利き・処方・併走——アプリを選び、対面の間に組み込み、利用状況を評価情報として回収する。第3に、患者への説明は否定でも追認でもなく補完——AIの提案に欠けている安全要素（開始判断・漸増・中止基準）に専門職が入る。第4に、診断・開始・悪化時・個人情報の4本の線だけは、アプリに渡さない。

明日からの3ステップを提案します。

  1. 患者がよく使うアプリを1つ、自分で触ってみる。 担当患者に「健康アプリを使っていますか」と1週間だけ聞き取り、名前が挙がったアプリを自分のスマートフォンで試してください。運動内容・中止基準・受診勧奨の有無を見れば、目利きの初回演習になります。
  2. 自主トレ指導に「声かけの仕掛け」を1つ足す。 Nelligan 2021の効果の核は自動メッセージでした。アプリ導入が難しくても、スマートフォンのリマインダー設定を一緒に行う、家族に声かけ役を頼むなど、実施を促す仕掛けを処方に組み込んでください。
  3. 「アプリの話が出たときの返し」を言語化しておく。 推奨する時・補完する時・止める時の3パターンの言い回し（本文の例を叩き台に）を自分の言葉で用意し、次にアプリの話題が出た診療で使ってみてください。

よくある質問

患者に「おすすめのセルフケアアプリはありますか」と聞かれたら、具体名を挙げてよいのでしょうか

挙げ方に条件をつけるのが実務的です。効果検証のあるアプリ・公的機関や学会が関与するアプリを優先し、「私が中身を確認した範囲で」という限定つきで紹介するのは、専門職として正当な情報提供です。一方、根拠を確認していないアプリを名指しで推奨すると、不具合や健康被害時に推奨の責任を問われる余地が生まれます。「この種類のアプリなら（運動動画＋リマインダー型など）研究で効果が示されています。選ぶときは運動内容の監修者と中止基準の記載を確認しましょう」と、選び方の基準を渡す形なら、特定製品への責任を負わずに目利きを提供できます。施設として推奨アプリのリストを持つ場合は、選定基準と見直し時期を文書化しておくと安全です。

患者がChatGPTに症状を相談していると知ったら、やめさせるべきですか

一律にやめさせる必要はありませんが、使い方の交通整理は必要です。生成AIの健康情報は「概ね正しいが重要な抜けがある」（正確性90.7%・網羅性41.2%——Zaleski 2024）という性質を、そのまま患者さんに伝えてください。そのうえで、①病名や受診要否の判断には使わない（診断の線）、②運動や生活の工夫のアイデア出しに使うのは構わないが、始める前に療法士に見せてもらう（開始の線）、③氏名・病歴などの個人情報は入力しない（個人情報の線）、の3点を約束事にするのが現実的です。禁止は隠れた利用を生むだけで、開示された利用は臨床情報として活用できます。「AIに何と言われましたか」を問診の一部にしてしまうのが、最も安全な共存の形です。

運動アプリを勧めても、結局続かない患者が多いのですが

アプリを渡すだけでは続かないのは、研究データとも一致する自然な結果です（アドヒアランスへの効果は「不確実」——Davergne 2023）。継続率を左右するのはアプリの機能よりも運用の設計です。具体的には、①初回は診療の場で一緒にインストールと初期設定まで行う（自宅での初回起動が最大の脱落点です）、②最初の目標を意図的に低く設定する（1日1種目でも「継続」と定義する）、③次回来院時に必ずアプリの記録を開いて話題にする（見られている実感が継続の最大の動機になります）、④2〜4週で使われなくなったら、それを失敗でなく「メニューが合わなかった評価結果」として調整する。アプリはあくまで自己管理の足場であり、足場を機能させる関与——本文で言う「併走」——が療法士の仕事の中心になります。

症状チェッカーで「受診不要」と出たことを理由に、リハの中断や受診の遅れが起きたら、誰の責任になるのでしょうか

日本では、一般利用者向け症状チェッカーの多くは医療機器ではなく情報提供サービスの位置づけで、判定は診断行為ではないと利用規約に明記されているのが通例です。したがって法的責任の所在は個別事案によりますが、臨床現場での実務は責任論より予防です。①症状チェッカーの精度の限界（診断精度は専門職を下回る——Riboli-Sasco 2023）を、アプリの話題が出た患者に一言伝えておく、②「この症状が出たらアプリの判定にかかわらず連絡・受診」という具体的なリストを渡しておく、③患者がアプリの判定を理由に自己中断した場合は、その旨を診療記録に残す。特に②は、受診抑制方向の誤判定——症状チェッカーの誤りの中で最も危険な型——への実効的な防波堤になります。

出典（すべてPubMed E-utilities APIで書誌・抄録を取得し数値を照合済み）

  1. Sandal LF, Bach K, Øverås CK, et al. Effectiveness of App-Delivered, Tailored Self-management Support for Adults With Lower Back Pain-Related Disability: A selfBACK Randomized Clinical Trial. JAMA Internal Medicine. 2021;181(10):1288-1296. DOI: 10.1001/jamainternmed.2021.4097（PubMed: 34338710）
  2. Nelligan RK, Hinman RS, Kasza J, Crofts SJC, Bennell KL. Effects of a Self-directed Web-Based Strengthening Exercise and Physical Activity Program Supported by Automated Text Messages for People With Knee Osteoarthritis: A Randomized Clinical Trial. JAMA Internal Medicine. 2021;181(6):776-785. DOI: 10.1001/jamainternmed.2021.0991（PubMed: 33843948）
  3. Davergne T, Meidinger P, Dechartres A, Gossec L. The Effectiveness of Digital Apps Providing Personalized Exercise Videos: Systematic Review With Meta-Analysis. Journal of Medical Internet Research. 2023;25:e45207. DOI: 10.2196/45207（PubMed: 37440300）
  4. Oh YJ, Zhang J, Fang ML, Fukuoka Y. A systematic review of artificial intelligence chatbots for promoting physical activity, healthy diet, and weight loss. International Journal of Behavioral Nutrition and Physical Activity. 2021;18(1):160. DOI: 10.1186/s12966-021-01224-6（PubMed: 34895247）
  5. Riboli-Sasco E, El-Osta A, Alaa A, et al. Triage and Diagnostic Accuracy of Online Symptom Checkers: Systematic Review. Journal of Medical Internet Research. 2023;25:e43803. DOI: 10.2196/43803（PubMed: 37266983）
  6. Zaleski AL, Berkowsky R, Craig KJT, Pescatello LS. Comprehensiveness, Accuracy, and Readability of Exercise Recommendations Provided by an AI-Based Chatbot: Mixed Methods Study. JMIR Medical Education. 2024;10:e51308. DOI: 10.2196/51308（PubMed: 38206661）

※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、特定のアプリ・サービスの効果や安全性を保証するものではありません。個々の患者へのアプリの推奨・利用可否は、各施設の方針と担当医・担当療法士の評価・判断のもとで行ってください。