G-gen の min です。BigQuery でデータ分析情報を生成する機能 データ分析情報 （Data insights）について解説します。 データ分析情報とは 概要 2つの分析レベル 分析情報を生成するモード 事前準備 必要な API の有効化 必要な IAM ロール テーブル分析情報 提供される機能 クエリの生成 説明の生成 生成言語の制御 生成手順 生成した分析情報の保存 データセット分析情報 提供される機能 データセットの説明 リレーションシップグラフ リレーションシップテーブル クエリの推奨 生成手順 制限事項 料金 データ分析情報とは 概要 データ分析情報 （ Data insights ）とは、BigQuery に統合された AI アシスタントである Gemini in BigQuery の機能の一つです。 BigQuery に蓄積されたデータを使用して分析を始める際、初めて見るテーブルにどのようなデータが入っているのか、他のテーブルとどのような関係があるのかを理解するには、通常、試しに SQL を書いてデータを抽出したり、設計書を読み解くなどの手間がかかります。 データ分析情報を使用すると、AI がテーブルやカラムの名前などの付帯情報（メタデータ）を読み取り、テーブルの概要を説明するテキストや、データ分析に役立つ SQL クエリを自動生成します。これにより、SQL に不慣れな非エンジニアの方や、初めてそのデータに触れるアナリストであっても、スムーズにデータ探索を開始できます。 参考 : BigQuery でデータ分析情報を生成する 2つの分析レベル データ分析情報には、分析の範囲に応じて以下の2つの機能が提供されています。それぞれの詳細については後述します。 機能名 分析対象 主な提供内容 テーブル分析情報 （table insights） 単一のテーブル データ内容や品質の分析、要約文の生成、データ抽出用 SQL クエリの提案 データセット分析情報 （datasets insights） 単一のデータセット 複数テーブル間の関係性の推論、テーブル結合を伴う SQL クエリの提案 後者のデータセット分析情報については、2026年4月現在、Preview 段階です。 分析情報を生成するモード BigQuery では、分析情報を生成する際に以下の2つのモードが用意されています。 モード 説明 用途 生成して公開 （Generate and publish） AI が生成したデータの説明や SQL クエリの提案を、Google Cloud のデータ辞書サービスである Dataplex Universal Catalog に保存します。権限を持つ他のメンバーと知識を共有できるほか、保存された説明を後から手動で編集することも可能です。 会社全体でデータの説明などのドキュメントを共有し、継続的に知識を蓄積・再利用したい場合。 公開せずに生成 （Generate without publish） その場限りの分析情報をすぐに作成します。生成された情報は、共有のデータ辞書には保存（公開）されません。 共有のデータ辞書に不要な情報を増やさず、一時的なデータ確認やお試しでの分析を素早く行いたい場合。 前者の生成して公開（Generate and publish）については、2026年4月現在、Preview 段階です。 Dataplex Universal Catalog については、以下の記事を参照してください。 blog.g-gen.co.jp 事前準備 必要な API の有効化 データ分析情報を使用するプロジェクトでは、事前に以下の API を有効化しておく必要があります。 BigQuery API Dataplex API Gemini for Google Cloud API 必要な IAM ロール コンソール画面からデータ分析情報を生成し、その結果を閲覧するためには、作業するユーザーの Google アカウントに対して以下の IAM ロールが付与されている必要があります。 データ分析情報の機能は内部的に Dataplex というデータ管理サービスの機能を使用しているため、BigQuery だけでなく Dataplex の権限も必要となる点に注意してください。 「BigQuery データ閲覧者（ roles/bigquery.dataViewer ）」または「BigQuery データ編集者（ roles/bigquery.dataEditor ）」 「Dataplex DataScan 編集者（ roles/dataplex.dataScanEditor ）」または「Dataplex DataScan 管理者（ roles/dataplex.dataScanAdmin ）」 参考 : BigQuery でデータ分析情報を生成する - 必要なロール テーブル分析情報 提供される機能 テーブル分析情報は、単一の BigQuery テーブルに含まれるデータの内容や品質、傾向を理解するための機能です。対象のテーブルに対して分析情報を生成すると、AI が以下のような情報を提供します。 クエリの生成 データ内のパターン、異常値、外れ値などを検出するための自然言語の質問と、それに対応する SQL クエリを提案します。 説明の生成 テーブル全体および各カラムに対する説明文を自動生成します。対象のテーブルに対して データ プロファイル スキャン （データの傾向や統計情報を抽出する機能）が実行されている場合、その結果も加味してより正確な説明が生成されます。 データ プロファイル スキャンについては、以下の公式ドキュメントを参照してください。 参考 : データをプロファイリングする 生成言語の制御 テーブルとカラムの説明を特定の言語で生成するように、Gemini に指示できます。 言語を指定するには、分析情報を生成する前に、テーブルの既存の説明文に「日本語で説明をして」といった短い指示を追記します。対象テーブルの「詳細」タブを開き、「詳細を編集」をクリックして指示文を追記および保存します。 詳細タブの画面 説明編集の画面 サポートされている言語の一覧については、以下を参照してください。 参考 : 言語サポート - Gemini 生成手順 Google Cloud コンソール画面から、テーブル分析情報を公開せずに生成する手順は以下のとおりです。 Google Cloud コンソールを開き、BigQuery Studio の画面に移動します。 画面左側の「エクスプローラ」ペインで、対象のプロジェクト名、データセット名の順に選択し、分析したいテーブルをクリックします。 画面右側にテーブルの詳細情報が表示されるため、上部のタブメニューから「分析情報」タブを選択します。 分析情報タブの画面 画面内の「公開せずに生成」ボタンをクリックします。 分析情報の生成には数分程度かかる場合があります。生成が完了すると、AI によって提案されたテーブルの概要や、データを分析するためのサンプル SQL クエリなどが同じ画面に表示されます。表示された SQL はそのまま実行したり、要件にあわせて書き換えて保存できます。 生成した分析情報の保存 Gemini in BigQuery は、データ分析情報を生成するときに、テーブルとカラムの説明を自動的に生成します。必要に応じてこれらの説明を編集し、BigQuery のスキーマや詳細情報として手動で保存できます。 テーブルで分析する内容を記述した詳細なテーブルの説明は、Gemini in BigQuery でより関連性の高い分析情報を生成するのに役立ちます。保存された説明は、自分や他のメンバーが参照できるだけでなく、今後の分析情報を生成するためにも使用されます。 説明文を保存する手順は以下のとおりです。 対象テーブルの画面で「分析情報」タブを開きます。 分析情報を生成後の分析情報タブの画面 画面内の「テーブルの説明」セクションにある「列の説明を表示」をクリックします。説明のプレビュー画面が表示されます。 説明のプレビュー画面 テーブル自体の説明を保存したい場合は、「詳細に保存」をクリックします。「提案された説明をコピー」をクリックして入力欄に内容を反映させたのち、「Save to details」をクリックします。 詳細に保存の画面 カラムの説明を追加・保存したい場合は、2. のプレビュー画面にて「列の説明」セクションにある「スキーマに保存」をクリックします。現在のスキーマとの変更内容の差分を確認し、問題がなければ「保存」をクリックします。 現在のスキーマの確認画面 データセット分析情報 提供される機能 データセット分析情報は、単一のデータセット内に存在する複数のテーブル間の関係性を把握するための機能です。当機能は 2026年4月現在、Preview 公開されています。 テーブル同士をどのように結合すれば意味のあるデータが抽出できるかを AI が推論し、以下の情報を提供します。 データセットの説明 データセット全体の概要を AI が要約して提供します。 リレーションシップグラフ データセット内のテーブル間の関係性を示す図を表示します。線にカーソルを合わせると、どのカラムをキーにして結合できるかといった詳細を確認できます。 リレーションシップテーブル テーブル間の関係性を表形式で一覧表示します。関係性の根拠として、明示的なシステム上の制約（外部キーなど）、過去のクエリの実行履歴に基づく使用状況、またはテーブル名やカラム名からの AI による推論が含まれます。 クエリの推奨 複数のテーブルを結合してデータを抽出するための、実践的な SQL クエリのサンプルを提供します。 生成手順 Google Cloud コンソール画面から、データセット分析情報を公開せずに生成する手順は以下のとおりです。 Google Cloud コンソールを開き、BigQuery Studio の画面に移動します。 画面左側の「エクスプローラ」ペインで、対象のプロジェクト名のツリーを選択し、分析したいデータセットをクリックします。 画面右側にデータセットの詳細情報が表示されるため、上部のタブメニューから「分析情報」タブを選択します。 分析情報タブの画面 画面内の「公開せずに生成」ボタンをクリックします。 分析情報の生成には数分程度かかる場合があります。生成が完了すると、AI によって提案されたデータセットの概要やリレーションシップグラフなどが同じ画面に表示されます。 例：Relationships の図 例：リレーションテーブル 制限事項 データ分析情報を使用する際の主な制限事項は以下のとおりです。 サポートされるテーブルは、BigQuery ネイティブのテーブル、BigLake テーブル、外部テーブル、ビュー カラムレベルのアクセス制御が設定されているテーブルに対して分析情報を生成するには、実行ユーザーが対象テーブルのすべてのカラムに対する読み取り権限を持っている必要がある テーブル分析情報において、AI が説明文を自動生成できるのは 1 テーブルあたり最大 350 カラムまで 新たにデータセット分析情報を生成すると、対象データセットに対する以前の分析情報は上書きされる マルチクラウド環境に保存されている、他クラウドのデータは対象外 参考 : BigQuery でデータ分析情報を生成する - 制限事項 料金 データ分析情報の機能自体に対する追加料金は発生しません。 データ分析情報は、Google Cloud プロジェクトにおいて、以下のいずれかの BigQuery 料金体系を適用している場合に使用できます。 オンデマンド Enterprise エディション Enterprise Plus エディション プロジェクトに BigQuery Editions の Standard エディションが適用されている場合は、データ分析情報を使用できないので注意してください。 また、生成された SQL クエリを BigQuery で実行した際には、通常の BigQuery のコンピューティング料金（データスキャンに対する課金など）が発生します。 参考 : Gemini for Google Cloud の料金 - Gemini in BigQuery の料金の概要 佐々木 愛美 (min) (記事一覧) クラウドソリューション部 データアナリティクス課。2024年7月 G-gen にジョイン。G-gen 最南端、沖縄県在住。最近覚えた島言葉は、「マヤー（猫）」。

医療・ヘルスケア業界において、品質保証（QA）は単なる「製品チェック」の枠を超え、企業の存続と患者の安全を支える経営の根幹となっています。 特に医療機器メーカーの現場では、法規制の複雑化やグローバル対応に加え、経営層からは「品質を仕組みとして作り込め」という強い要求があり、一方で開発現場からは「QAが厳しすぎて進捗が遅れる」という不満が出るなど、QAリーダーが板挟みになるケースは少なくありません。 そこで今回は品質管理（QC）との明確な違いから、薬機法やGMP・GQPなどの重要規制、さらにはSaMD（プログラム医療機器）時代のデジタル対応までを体系的に解説します。 単なる「ブレーキ役」ではなく、組織全体から信頼される「価値創出のパートナー」としての品質保証体制をいかに築くか、その実務とマインドセットを詳しく見ていきましょう。 import haihaiInquiryFormClient from "https://form-gw.hm-f.jp/js/haihai.inquiry_form.client.js";haihaiInquiryFormClient.create({baseURL: "https://form-gw.hm-f.jp",formUUID: "927d2c4e-f06c-45b1-bd36-0240e55ccf72",}) ▼テスト計画・テスト設計についてはこちら▼ テスト設計とは？その流れや具体的なコツを徹底解説！ 医療・ヘルスケア領域の品質保証とは何か 品質保証の定義と、品質管理・品質マネジメントとの違い 医療・ヘルスケアにおける品質保証（QA）は、製品やサービスが求められる要求事項を確実に満たしていることを保証するための仕組みです。 しばしば混同される品質管理（QC）は、主に検査や測定を通じて完成した製品の良否を判定する「点」の活動ですが、QAは企画から設計、製造、そして市販後の調査に至るまでの全プロセスを対象とする「線」の活動である点が大きく異なります。 このQAを適切に機能させるための組織的な枠組みがQMS（品質マネジメントシステム）です。 医療分野においては、最終製品の検査だけで安全性を完全に担保することは困難です。 たとえ検査で合格しても、製造プロセスの一部に不備があれば、将来的に潜在的なリスクが顕在化する恐れがあるからです。 そのため、結果としての製品をチェックする以上に、その製品が生み出されるまでのプロセスの妥当性を保証することが、他の産業以上に重要視される傾向にあります。 現場の各工程が正しく行われているかを常に監視し、記録し、改善し続ける仕組みこそが、医療における品質保証の本質なのです。 なぜ医療・ヘルスケアでは品質保証が特に重要なのか 医療・ヘルスケアの領域で品質保証が最優先される最大の理由は、提供される製品やサービスが人命や健康に直接的な影響を及ぼすからです。 一般的な工業製品とは異なり、医療機器や医薬品におけるわずかな不具合は、取り返しのつかない事故や重篤な健康被害を招くリスクを孕んでおり、許容されるエラーの範囲が極めて低く設定されています。 一度でも重大な不備が発生すれば、大規模な製品回収や行政処分を受けるだけでなく、社会的な信頼を瞬時に失い、企業の存続すら危うくなる事態に直結します。 また、医療は科学的根拠に基づいた高い再現性が求められる分野です。 誰が、いつ、どこで使用しても設計通りの効果と安全性が得られなければならず、そのためには厳格な工程管理と品質保証が欠かせません。 さらに、この領域は法律や公的な規制によって厳密に管理されている規制産業でもあります。 GMPやGQPといった省令を遵守し、常に科学的妥当性を証明し続けることは、事業を継続する上での絶対条件であり、社会に対する責任を果たすための根幹となっています。 患者安全・有効性・安定供給・社会的信頼との関係 品質保証の役割は、患者の安全、製品の有効性、安定した供給、そして社会的信頼という4つの要素を統合的に支えることにあります。 まず安全性においては、予期せぬ副作用や事故を未然に防ぐための厳格なリスク管理が不可欠です。 次に有効性についてですが、品質にばらつきがあれば、本来期待される治療効果が十分に発揮されない可能性があります。 QAが設計段階から製造までを一貫して管理することで、どの個体であっても一定の治療価値を担保できるようになります。 また、品質トラブルによる供給停止は、医療現場の混乱を招き、治療の遅延など患者の不利益に直結するため、常に安定して製品を届ける体制を維持することも品質保証の重要な責務です。 これら三つの要素が確実に満たされることで初めて、医療機関や患者、そして社会全体からの確固たる信頼が構築されます。 品質保証担当者は、単なる文書の整合性チェックにとどまらず、これら4要素が有機的に機能するよう組織全体を俯瞰し、リスクを最小化しながら価値を最大化する調整役を担っています。 製品品質だけでなく、医療サービス品質まで視野を広げる理由 現代のヘルスケア領域においては、物理的な製品の品質だけでなく、提供される医療サービス全体の品質まで視野を広げることが不可欠となっています。 医療はモノ単体で完結するものではなく、診療のプロセス、診断データの適切な管理、そして患者が受ける一連の体験などが組み合わさって初めて価値を生むからです。 近年では医療組織の質に関する国際規格であるISO 7101が登場するなど、組織全体のガバナンスや文化を含めた品質管理の重要性が世界的に高まっています。 診療プロセスの標準化や、デジタル技術を活用したデータ管理の正確性は、直接的に治療結果、すなわちアウトカムに大きな影響を与えます。 もしデータに不備や不整合があれば、正しい診断や適切な治療ができなくなるため、情報の信頼性もまた品質保証の重要な対象となります。 製品という枠組みを超え、患者に届く価値の全行程を最適化し、プロセスの透明性を高めることが、これからの医療・ヘルスケア領域における品質保証のスタンダードであり、組織の価値を高める鍵となります。 医療・ヘルスケア領域の品質保証を支える法規制・規格 薬機法を土台にした品質保証の全体像 医療・ヘルスケア領域における品質保証の根幹を成すのは、薬機法（医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律）です。 この法律は、製品の企画開発から製造、販売、さらには市販後に至るまで、一貫した管理を厳格に求めています。 医療における品質保証の全体像を捉えるためには、製造、流通、市販後という3つのフェーズで管理の連続性を意識することが重要です。 製造フェーズでは設計通りの仕様で製品を作り上げる力が問われ、流通フェーズではその品質を維持したまま医療現場へ届ける体制が求められます。 そして最も特徴的なのが市販後フェーズであり、実際に使用された際の情報を収集し、次なる改善や安全対策へと繋げることが義務付けられています。 このように、単に不良品を排除するだけでなく、製品のライフサイクル全体を法律という土台の上で監視し続けることが、医療分野における品質保証の本質です。 法規制を遵守することは最低限のルールであり、それらを体系的に運用することで、安定した品質を社会に提供し続けることが可能になります。 GMP・GQP・QMS・GPSPの役割分担 医療・ヘルスケア製品の安全性を支えるため、目的ごとに異なる基準が設けられており、それぞれが連携して品質を担保しています。 まずGMPは、主に製造所における製造管理や品質管理の基準を定めたもので、製品が常に一定の品質で作られることを保証するためのものです。 これに対しGQPは、製造販売業者が製造所を適切に監督し、市場へ出荷する際の最終的な品質保証責任を負うための基準となります。 医療機器においては、組織全体の品質マネジメント体制を構築するためのQMS省令が適用され、設計開発から市販後までを包括的に管理します。 さらに、製品が世に出た後の安全性や有効性を監視し続ける仕組みとしてGPSPが機能します。 これらの制度は決して独立しているのではなく、製造段階の記録が市販後の評価に繋がり、市販後のフィードバックが製造工程や設計の改善に反映されるといった形で密接に関係しています。 各基準の役割分担を正しく理解し、それらを一つの繋がったプロセスとして機能させることが、盤石な品質保証体制を築く鍵となります。 医療機器・医薬品・再生医療等製品で異なる着眼点 品質保証の考え方は、扱う製品の特性によって重点を置くべきポイントが大きく異なります。 医薬品の場合、化学的な純度や成分の安定性が最重視されます。 組成が一定であることを科学的に証明し、有効期限内までその品質が維持されることを厳密に管理するアプローチが主流です。 一方、医療機器はハードウェアやソフトウェアの組み合わせで構成されるため、設計の妥当性と製造プロセスの再現性が重視されます。 リスクマネジメントの観点から、故障の可能性を事前に摘み取るプロセス管理が求められるのが特徴です。 また再生医療等製品は生体由来の細胞や組織を原料とするため、原料そのものに不可避なばらつきが生じます。 そのため、一定の規格に収めることの難しさを前提とした上で、そのばらつきをいかに制御し、安全性を担保するかという独自の管理手法が必要になります。 このように、分野ごとに品質保証の着眼点は異なりますが、共通しているのは製品特性に応じた最適なリスク管理を行うという点です。 自社製品の性質を深く理解し、それに基づいた適切な保証戦略を立てることが求められます。 ISO 13485とISO 7101が示す国際的な品質の考え方 国内の法規制に加え、グローバル展開を見据える上で欠かせないのが国際規格の視点です。 ISO 13485は医療機器業界における品質マネジメントシステムの国際標準であり、リスクベース思考に基づいた管理を求めています。 不具合が起きてから対応するのではなく、潜在的なリスクを予測し、未然に防ぐ仕組みを組織全体で維持することが推奨されています。 一方で、近年注目されているISO 7101は、医療サービスそのものの品質マネジメントを対象とした規格です。 製品というモノだけでなく、治療や患者体験を含む医療提供プロセス全体の質を向上させることを目指しています。 これら国際規格に共通しているのは、一度仕組みを作って終わりではなく、データの分析と客観的な評価を通じて常に継続的改善を回し続けるという考え方です。 グローバルな市場で信頼を得るためには、単にルールを守るだけでなく、こうした国際的なトレンドを汲み取り、エビデンスに基づいて品質を証明し続ける姿勢が不可欠です。 規制対応と規格の活用を両立させることで、世界基準の品質保証体制が実現します。 実務で見る品質保証の対象領域と主な業務 出荷判定、逸脱・不適合対応、変更管理、CAPA 医療機器メーカーの品質保証において、出荷判定は製品を市場へ送り出すか否かを決める最終的なゲートキーパーの役割を果たします。 単に検査を通過したかを確認するだけでなく、製造記録や検査結果が規定通りであるかを客観的に評価し、安全性が担保されていることを最終確認する極めて重要なプロセスです。 また、製造過程で規定の手順や基準から外れる「逸脱」が発生した際には、その内容を正確に記録し、品質への影響を論理的に評価する逸脱管理が求められます。 さらに、原材料の変更や製造ラインの改良といった「変更管理」では、その変更が製品の安全性や有効性にどのような影響を与えるかを事前に予測し、評価しなければなりません。 これらの活動を通じて見えてきた課題に対しては、CAPA（是正・予防措置）を講じることが重要です。 CAPAは、起きてしまった不具合の再発を防ぐだけでなく、将来起こり得る問題を未然に防ぐための仕組みであり、QMS（品質マネジメントシステム）を健全に機能させるための心臓部とも言える活動です。 文書管理、記録管理、教育訓練、自己点検 品質保証の基盤を支えるのは、適切な文書化とその記録の維持です。 標準作業手順書（SOP）を整備し、誰が作業しても同じ品質が保てるように管理することは、属人化を防ぐ第一歩となります。 記録の管理においては、データの信頼性を担保する「ALCOA+原則（帰属性、判読性、同時性、原本性、正確性など）」を遵守することが不可欠です。 いつ、誰が、何を行い、どのような結果が出たのかを正確に記録し続けることが、監査や査察に強い組織を作るための鉄則となります。 また、これらのルールを現場に定着させるためには、継続的な教育訓練が欠かせません。 単なる座学にとどまらず、品質の重要性を自分事として捉えてもらうための意識醸成もリーダーの重要な役割です。 さらに、自社のシステムが正しく機能しているかを客観的に見直す自己点検（内部監査）を定期的に実施することで、プロセスの不備を早期に発見し、自浄作用のある組織体制を維持することができます。 供給者・委託先の管理と監督 製品の複雑化やグローバル化が進む中で、自社内だけでなくサプライヤーや委託製造先の品質管理をいかに徹底するかが大きな課題となっています。 原材料の供給元や外注先が、自社と同等の品質基準を満たしているかを厳格に評価するサプライヤー監査は、品質保証の境界線を社外にまで広げる活動です。 委託先での不備は最終的に自社の責任となるため、契約段階での品質取り決めから、定期的な監査、パフォーマンスの監視まで、サプライチェーン全体を俯瞰した管理が求められます。 特にグローバル展開をしている場合、海外の委託先に対するリモート監査や、異文化間での品質意識の共有など、管理の難易度は一段と高まります。 供給者との信頼関係を築きつつも、エビデンスに基づいた監督を徹底することで、外部調達に伴うリスクを最小限に抑えることが可能になります。 市販後の情報収集、回収対応、継続的改善 製品はリリースして終わりではなく、市場に出た後も品質保証の活動は続きます。 市販後監視（PMS）を通じて、医療現場からの不具合情報や苦情を迅速に収集し、製品の安全性や有効性を常に評価し続けなければなりません。 万が一、人命に関わるような重大な不具合が判明した場合には、迅速な回収（リコール）や改修の判断を下し、被害の拡大を最小限に食い止める責任があります。 このような危機対応のスピードと正確性は、企業の社会的信頼に直結します。 また市販後に得られた貴重なフィードバックを単なる記録で終わらせず、次期モデルの設計や製造プロセスの改善へ反映させる仕組みを作ることも、品質保証の重要な役割です。 現場の声を製品開発の上流工程へ戻す循環を作ることで、不具合の芽を摘み取り、より安全で使いやすい製品の提供へと繋がる継続的な改善サイクルが実現します。 品質保証部門が開発・製造・薬事と連携すべき理由 品質保証はQA部門だけで完結するものではなく、開発、製造、薬事といった他部門との強力な連携があって初めて成立します。 QAが「検査役」として後からチェックするだけの体制では、不具合が発覚した際の手戻りが大きく、現場との対立を生みやすくなります。 開発の初期段階からQAが関与し、品質を設計段階から作り込む「フロントローディング」の考え方を取り入れることで、効率的な製品化が可能になります。 また薬事部門と連携して最新の規制動向を共有し、設計変更が承認事項にどう影響するかを常に擦り合わせることで、法令遵守の漏れを防ぐことができます。 品質を理由に「NO」を突きつけるブレーキ役ではなく、各部門が同じ目標に向かって進むための品質文化を醸成する推進役となることが理想です。 部門横断的なコミュニケーションを円滑にし、組織全体で品質に対する共通言語を持つことが、結果として業務の効率化と製品価値の向上をもたらします。 デジタルヘルス時代の品質保証──SaMD・ソフトウェア開発で何が変わるか SaMDとは何か、なぜ従来の発想だけでは不十分なのか デジタル技術の進展に伴い、ソフトウェア単体で診断や治療などの医療機器としての機能を持つSaMD（プログラム医療機器）の存在感が高まっています。 これまでの医療機器は物理的な実体を持つハードウェアが中心であり、製造工程での抜き取り検査や物理的な耐久テストによって品質を担保することが一般的でした。 しかし、実体を持たないソフトウェアには経年劣化という概念がなく、不具合の多くは設計段階の論理的なミスに起因します。 そのため、出荷時の検査で不備を見つけるという従来の発想だけでは、複雑に分岐するプログラムの全容をカバーすることは不可能です。 また、ソフトウェアはセキュリティ対策や機能改善のために頻繁なアップデートが行われることを前提としています。 一度リリースして終わりではなく、変化し続ける製品に対して動的に安全性を保証し続ける新たなアプローチが求められています。 スピード感のある開発サイクルと、医療機器としての厳格な安全性をいかに両立させるかが、現代の品質保証における最大のテーマとなります。 テストだけでは品質を保証できない理由 開発の最終段階で行う検証テストを強化すれば品質が上がると考えがちですが、ソフトウェアにおいてそれは限界があります。 プログラムの実行パターンや使用環境の組み合わせは天文学的な数字にのぼり、全てのパターンを網羅的にテストすることは現実的に不可能です。 もし要件定義や基本設計の段階で論理的な矛盾や考慮漏れがあれば、どれほど入念なテストを繰り返しても、特定の条件下で発生する致命的な欠陥を見逃すリスクが残ります。 つまり、品質は後から確認するものではなく、プロセスの初期段階から「作り込む」べきものなのです。 上流工程での不備が下流に流れるほど、修正コストは増大し、製品の信頼性は損なわれます。 バグを見つけるためのテストだけでなく、そもそもバグが入り込まないための設計思想や、開発プロセスの透明性を確保することが、結果として医療現場での事故を防ぎ、患者の安全を守る確実な手段となります。 設計開発工程で品質を作り込む考え方 設計開発の段階で品質を確実なものにするためには、Vモデルなどのフレームワークを活用した体系的な検証設計が欠かせません。 各開発ステップに対応する検証計画をあらかじめ策定し、要求事項が設計に正しく反映され、それがテストで確認されていることを示す「要件トレーサビリティ」を確保することが重要です。 これにより設計変更が発生した際の影響範囲を正確に特定でき、検証の漏れを防ぐことが可能になります。 また、ISO 14971に基づくリスクマネジメントとの密接な連携も不可欠です。 ソフトウェア特有のハザードを早期に特定し、それを設計上の工夫や警告によってコントロールするプロセスを構築します。 さらに、ソースコードの静的解析や早期のピアレビューを日常的なルーチンとして組み込むことで、問題が深刻化する前に芽を摘み取ることができます。 こうした予防的な活動の積み重ねこそが、手戻りを減らし、現場のエンジニアとQAが共通のゴールを目指すための基盤となります。 リリース管理、バージョン管理、変更管理の重要性 ソフトウェアは物理的な製品以上に変更の頻度が高く、その管理の成否が品質を左右します。 特に複数のバージョンが市場に混在するリスクを避けるため、厳格な構成管理が必要です。 どのソースコードがどのビルドに使われ、どのバージョンの製品として出荷されたのかを完全に把握していなければ、不具合発生時の迅速な原因究明や修正プログラムの配布は行えません。 最新の機能を迅速に提供する継続的デリバリーと、医療機器としての慎重な品質保証を両立させるには、変更管理のプロセスを標準化することが鍵となります。 些細なコードの修正であっても、それが製品全体の安全性や法規制への適合性にどう影響するかを論理的に評価する仕組みを整えなければなりません。 リリース判定の基準を明確にし、バージョンアップの履歴を正確に記録し続けることは、万が一の際の責任所在を明らかにするだけでなく、製品のライフサイクルを通じた信頼性の維持に直結します。 市販後監視と継続改善まで含めたソフトウェア品質保証 デジタルヘルス製品において、リリースは品質保証のゴールではなく通過点に過ぎません。 「リリース後が本番」という意識を持ち、市販後監視（PMS）をいかに機能させるかが重要です。 実際の医療現場で使用される中で得られるリアルワールドデータを活用し、開発段階では想定しきれなかったユーザーの操作ミスや特定の環境下での挙動を迅速にキャッチアップする体制を構築します。 不具合の予兆をいち早く検知し、それを開発チームへ迅速にフィードバックして次回のアップデートに反映させる「継続的改善」のサイクルを回すことが、SaMDの価値を最大化させます。 最新のQMS（品質マネジメントシステム）では、こうしたCI/CD（継続的インテグレーション／継続的デリバリー）の流れを規制対応の枠組みに取り入れることが求められています。 常に最新のデータに基づいて製品をブラッシュアップし続ける姿勢は、単なる法令遵守を超えて、患者により安全で有効な医療体験を届け続けるという、品質保証部門の本質的な価値を体現するものとなります。 これからの医療・ヘルスケア品質保証に求められる視点 患者中心の品質保証へ 従来の品質保証は、図面や仕様書通りに製品が作られているかという製品中心の視点が主流でした。 しかし、これからの医療・ヘルスケア領域では、実際にその製品を使う患者がどのような体験をするかという患者体験中心の視点が不可欠です。 単に故障しない、壊れないといった安全性の担保は当然のこととして、使いやすさといった利便性や、必要な時に迷わず使えるアクセシビリティまでを品質の範囲として広く捉える必要があります。 医療の質とは、最終的に患者が受け取る価値そのものであり、品質保証部門はその価値を最大化する責任を負っています。 例えば、どれほど高性能な医療機器であっても、操作が複雑で誤用を招きやすいのであれば、それは患者にとって真に質の高い製品とは言えません。 開発の早い段階から患者の視点を取り入れ、安全かつ快適に使用できるプロセスを構築することで、真の意味で社会に貢献する品質保証が実現します。 この視点の転換こそが、組織全体の目指すべきゴールを明確にし、現場との協働を促進する大きな鍵となります。 リーダーシップと品質文化の醸成 品質保証を一部門の業務として完結させるのではなく、組織全体の文化として根付かせるためには、トップマネジメントの積極的な関与が欠かせません。 経営層が品質を経営の最優先事項として掲げ、必要なリソースを投入する姿勢を示すことで、初めて現場の意識が根本から変わります。 品質保証部門の役割も、単にルール違反を監視する守りのブレーキ役から、高品質な製品を通じて顧客満足を高める価値創出のアクセル役へとシフトしていくべきです。 不具合を未然に防ぐ仕組み作りは、単なるコスト削減ではなく、企業のブランド価値を築くための投資であるという認識を全社員で共有することが理想的です。 リーダーは、論理的な正しさだけで現場を説得しようとするのではなく、品質を高めることがいかに自分たちの誇りや成果に繋がるかを語り、共感を生む必要があります。 こうした品質文化が醸成された組織では、部門間の対立は自然と減り、より高次元での協働が可能になります。 品質を文化として定着させることは、規制対応を超えた強固な組織基盤を作り上げることと同義です。 リスクマネジメントと情報マネジメントの高度化 デジタルトランスフォーメーションが加速する中で、品質保証の手法もデータドリブンなものへと進化しています。 これまでの経験や勘に頼る部分を排し、蓄積されたデータを客観的に分析することで、不具合の兆候を科学的に予測するリスクベースアプローチの深化が求められています。 また、製品のデジタル化に伴い、サイバーセキュリティの確保やデータ完全性への対応も品質保証の重要な責務となりました。 情報は単なる記録ではなく、品質を証明するエビデンスそのものであり、その正確性と信頼性をライフサイクル全体で維持する高度な管理体制が必要です。 クラウド活用やAIによる自動チェックを取り入れることで、人為的なミスを排除し、より緻密なリスク管理が可能になります。 情報を戦略的に活用するマネジメント能力を高めることは、業務の属人化を防ぎ、効率的かつ強固な品質保証体制を構築するための必須条件です。 常に最新のテクノロジーを品質保証のプロセスに統合し、変化し続けるリスクに対して動的に対応できる組織を目指すことが、今後の競争力を左右します。 規制対応だけで終わらない、組織価値向上としての品質保証 医療業界において規制遵守は事業継続のための最低ラインに過ぎません。 これからの品質保証に求められるのは、法規制を満たすことを超えて、品質を企業の競争優位の源泉へと昇華させる視点です。 妥協のない品質追求は、市場における圧倒的なブランド価値と顧客からの揺るぎない信頼を生み出します。 監査や査察にパスすることだけを目標にするのではなく、他社が真似できないほど洗練された品質管理プロセスを構築すること自体が、強力な参入障壁となります。 品質保証部門がビジネスの成長を支えるパートナーとして機能すれば、経営層からの評価も高まり、組織内での立ち位置も大きく向上します。 高い品質基準を維持し続ける姿勢は、結果としてリコールリスクの低減による損失回避だけでなく、新規市場への進出やグローバル展開を加速させる原動力となります。 コンプライアンスを目的化せず、組織全体の価値を向上させるための手段として品質保証を捉え直すことで、より戦略的でやりがいのある活動が展開できるようになります。 品質保証担当者・組織が今後強化すべき能力 これからの品質保証を担うリーダーには、多角的なスキルセットの融合が求められます。 最新の規制に関する専門知識はもちろんのこと、開発現場の苦労や技術的な課題を理解する深い開発知識、そして効率化を推進するためのデジタルへの理解力が必要です。 特に、現場と対立せずに品質を高めるためには、相手の立場を尊重しながら共通のゴールへ導く高いコミュニケーション能力と調整力が不可欠となります。 論理的な説明に加えて、現場の心理的なハードルを取り除く柔軟な姿勢が、スムーズなプロセス改善を可能にします。 さらに、膨大なデータから意味を見出すデータ分析スキルや、デジタルトランスフォーメーションツールを使いこなす技術を習得することで、従来の属人的な業務から脱却したスマートな体制を構築できます。 グローバル化が進む中では、各国の規制や文化の壁を超えて品質基準を共有する国際的な対応力も重要性を増しています。 これらの能力を個人の成長だけでなく、組織全体の強みとして育んでいくことで、時代の変化に左右されない次世代の品質保証プロフェッショナルとしての道が開けます。 まとめ 医療・ヘルスケア領域における品質保証は、製品の良し悪しを判定する「点」の活動から、ライフサイクル全体を俯瞰して品質を作り込む「線」の活動へと進化しています。 薬機法や各省令の遵守は最低限のラインであり、その先にある「患者安全」「有効性」「安定供給」をいかに高いレベルで維持し続けるかが、組織の真の価値を決定づけます。 これからのQAリーダーに求められるのは、以下の3点に集約されます。 「守り」から「攻め」の品質保証への転換：規制対応を効率化し、品質を企業の競争優位性へと昇華させること。 デジタル・SaMDへの適応：DXやAIを駆使し、属人化を排除したスマートな品質保証体制を構築すること。 部門横断的なリーダーシップ：開発・製造・薬事と共通言語で語り合い、品質文化を組織全体に根付かせること。 品質保証は、リコールや事故を防ぐ「盾」であると同時に、社会的な信頼を勝ち取るための「翼」でもあります。 今回解説した最新の規制理解と実務プロセスを、半年以内のチーム改善やプロセス再設計に役立てることで、現場と協働しながら最高の品質を届ける、次世代のQMS統括ポジションへの道が開けるはずです。 QA業務効率化ならPractiTest テスト管理の効率化 についてお悩みではありませんか？そんなときはテスト資産の一元管理をすることで 工数を20%削減できる 総合テスト管理ツール「 PractiTest 」がおすすめです！ PractiTest (プラクティテスト) に関する お問い合わせ トライアルアカウントお申し込みや、製品デモの依頼、 機能についての問い合わせなどお気軽にお問い合わせください。 お問い合わせ この記事の監修 Dr.T。テストエンジニア。 PractiTestエバンジェリスト。 大学卒業後、外車純正Navi開発のテストエンジニアとしてキャリアをスタート。DTVチューナ開発会社、第三者検証会社等、数々のプロダクトの検証業務に従事。 2017年株式会社モンテカンポへ入社し、マネージメント業務の傍ら、自らもテストエンジニアとしテストコンサルやPractiTestの導入サポートなどを担当している。 記事制作： 川上サトシ （マーケター、合同会社ぎあはーと代表）

本ブログは 【寄稿】AI民主化に向けた丸紅の取組 （丸紅株式会社）の続編です。 みなさん、こんにちは。総合商社を担当しているソリューションアーキテクトの林です。 前回のブログでは、 丸紅株式会社 デジタル・イノベーション部が内製で開発した社内生成 AI プラットフォーム「Marubeni Chatbot」の誕生から、7,500 人以上への展開、そして業務時間 25〜65% 削減という成果をご紹介しました。 あれから約1年半。丸紅グループの生成AI活用は、さらに大きく進化しています。前回のブログに引き続き、デジタル・イノベーション部 芹川 武尊 氏からお話を伺いました。 今回は、Marubeni Chatbot のその後の進化に加え、新たに立ち上がった 3 つの取り組みをご紹介します。丸紅グループが生成 AI をどのように業務や開発の現場に根付かせてきたか、ぜひご覧ください。 Digital Experts 株式会社について 丸紅グループの生成 AI 活用を語る上で欠かせない存在が、 Digital Experts 株式会社 です。丸紅グループ各社の新たな取り組みに対し、高いエンジニアリング力で実証から実装・運用まで一気通貫で支援する会社です。 Digital Experts の最大の特徴は、 全社員がコーディングエージェントを用いて日常の開発業務を行っている 点です。 社内プレゼン作成ツールをはじめ、業務に必要なシステムを自分たちで開発・活用するなど、生成 AI を日常の開発業務に深く組み込んでいます。本ブログで紹介する取り組みの多くは、丸紅 デジタル・イノベーション部と Digital Experts の緊密な連携によって実現したものです。 取り組み1：Marubeni Chatbot — エージェント AI への進化 前回ブログでご紹介した Marubeni Chatbot は、登録ユーザー数が 7,500 人以上から 10,000 人以上 へと拡大し、丸紅グループ全社の日常業務に欠かせないプラットフォームへと成長しました。 AI エージェントの搭載 基本的な対話 UI に加え、LLM が自律的に試行錯誤を行い複雑なタスクをこなすエージェント機能の搭載を進めています。 このエージェント機能の中核を担うのが、 Amazon Bedrock AgentCore です。AgentCore Runtime を活用することで、従来のサーバーレス構成では課題となっていた長時間実行のタイムアウト問題を解消し、複雑なエージェントタスクを安定して実行できる環境を実現しています。 Marubeni Chatbotのアーキテクチャ図 今までの機能に加え、新たに以下のような機能も追加されています。 PowerPoint 自動生成ツール ：高品質なプレゼンテーションを半自動で生成。社内プレゼン作成の工数を大幅に削減 データ分析・ドキュメント生成システム ：社内情報を参照した上で、データ分析からドキュメント生成までを一気通貫で実行 Marubeni Chatbotの画面イメージ 取り組み2：競合分析システム — 対話形式で市場を読み解く 総合商社において、市場や競合の動向を迅速に把握することは、事業判断の精度を左右する重要な要素です。丸紅は、外部データソースや Web 上の情報を AIと組み合わせることで、競合分析を支援するシステムを構築しました。 本システムでは、財務データベース、Web データ、ユーザーがアップロードした PDFなど、複数のデータソースを横断的に蓄積・参照できる基盤を整備しています。LLM が Tool useを通じて必要なデータへ動的にアクセスすることで、競合企業の候補を AI が列挙し、各社の事業概要や財務状況の要約、 比較分析からレポート作成までを対話形式で AIが支援 します。 競合分析システムの画面イメージ 競合分析業務では、多数の企業情報の収集・整理に加え、財務指標の横断分析や市場ポジションの評価など、長時間かつ複雑な処理が求められます。こうした要件に対応するため、AI エージェントの実行基盤として Amazon Bedrock AgentCore を採用しました。これにより、 AWS Lambda の実行時間制約を超える長時間の自律的な情報収集・分析を実現しています。 さらに、Web 上の公開情報に加え、信頼性の高い外部データソースの定量データを組み合わせることで、実務の意思決定に活用できる分析品質を確保しています。 ユーザーは、「このセクターの競合他社の財務状況を比較して」「最新のニュースを踏まえてリスクを整理して」といった自然言語での問いかけを行うだけで、AIがリアルタイムに関連データを参照しながら回答を生成します。 競合分析システムのアーキテクチャ図 取り組み3：水道管路 AI 劣化予測診断サービス — 作業時間を 99% 削減 丸紅株式会社の旧環境インフラプロジェクト部と Digital Experts 株式会社が共同で開発した、水道管路の AI 劣化予測診断サービスです。日本全国の自治体が抱える水道インフラの老朽化問題に対し、人手不足・技術継承の困難・予算制約という課題を AI で解決することを目指しました。 自治体から管路データを受領し、データの前処理・AI での分析・レポーティングまでの業務全体の作業時間を 5 ヵ月から 1.5 ヵ月へ大幅に削減 。さらに、AI を活用したデータサイエンス業務の自動化により、 分析作業を約 99% 削減 することに成功しました。 AI による分析結果を GIS（地理情報システム）上に反映することで、更新が必要な管路を視覚的に把握できるようになり、自治体の意思決定を大きく支援しています。スモールスタートから始め、ビジネスの成長に合わせて柔軟にスケールできる構成を採用しており、 AWS Control Tower と AWS IAM を活用したマルチアカウント構成により、異なるアクセスレベルのメンバーへの適切な権限分離を実現。機密保護と効率的な共同開発を両立しています。 水道管路 AI 劣化予測診断サービス アーキテクチャ図 取り組み4：AI DLC Unicorn Gym — 「AI と共に開発する」文化の醸成 Marubeni Chatbot の展開や競合分析・水道管路診断といった取り組みを通じて、丸紅グループ内で生成 AI の活用が着実に広がっていました。こうした流れを受け、AWS から「開発プロセスそのものに AI を組み込む」次のステップとして提案・実施したのが、AI DLC Unicorn Gym です。 2026 年 2 月、丸紅株式会社と Digital Experts 株式会社、 丸紅I-DIGIOホールディングス株式会社 の合計 23 名が参加した 3 日間の AI DLC Unicorn Gym を開催しました。 AI DLC Unicorn Gym とは AI-DLC とは、AI をソフトウェア開発の中心的な協働者として位置づけ、開発ライフサイクル全体に AI の能力を組み込む新しい開発手法です。AI が計画を立案・実行し、人間が重要な意思決定を担うという役割分担のもと、Inception（要件定義）・Construction（設計・実装）・Operations（デプロイ・運用）の 3 フェーズで開発を進めます。 Kiro といったコーディングエージェントを活用することで、開発速度を大幅に向上させることができます。AI DLC Unicorn Gym は、この手法を実際のプロダクト開発を通じて体験する AWS のプログラムです。 実業務テーマで挑む 3 日間：開発から成果発表まで 「社内ユーザー用のサンドボックスアプリ基盤」「牛体重推定アプリ」「Marubeni Chatbot 内でのSkills 共有プラットフォーム」「稼働管理ツール」「議事録作成システムの高度化」と、領域・規模感の異なる 5 テーマに取り組みました。途中で方向修正が発生したチームもありましたが、生成 AI を活用することで修正コストを大幅に抑え、 全チームが 3 日間で成果物を完成 させました。最終発表では AWS にデプロイした環境を用いたデモを実施するチームもいました。非エンジニアはAIに要件を伝えるとともにビジネス上の意思決定を行い、エンジニアはAIが生成した成果物をレビューし、要件が正しく反映されていることを確認することで、「AI を使えば自分たちでも作れる」という実感を得る場となりました。「AI-DLC がいかに強力なツールであるかは、ワークショップを体験してみないとなかなか伝わりづらい」というアンケートコメントが象徴するように、実際に手を動かすことで初めて実感できる体験となりました。 最終発表会の様子 議事録作成システム（成果物デモ画面） おわりに Marubeni Chatbot はエージェント機能を搭載し 10,000 人超の日常業務を支えるプラットフォームへと進化。競合分析システムや水道管路 AI 劣化予測診断サービスでは、AI が業務の中核を担い、定量的な成果を生み出しています。そして AI DLC Unicorn Gym では、エンジニア・非エンジニアが共同するAIネイティブなソフトウェア開発プロセスを体感できました。 AWS は今後も、丸紅グループの生成 AI 活用がさらに広がり深まるよう、技術・知見の両面から支援を続けてまいります。本ブログが、皆さまの生成 AI 活用の参考になれば幸いです。 著者プロフィール 芹川 武尊 (Takeru Serikawa) 丸紅株式会社 デジタル・イノベーション部 2022年 東京大学大学院情報理工学系研究科修士課程修了。情報理工学修士（数理最適化に関する研究）。大学院修了後、丸紅株式会社に入社。入社後は、物流関連最適化システムの開発や、生成AIを活用したグループ会社向けChatbotアプリの開発など丸紅グループを横断したプロジェクトに参画。 林 隆太郎 (Ryutaro Hayashi) アマゾンウェブサービスジャパン 総合商社・エネルギー業界担当 ソリューションアーキテクト 大手ガス会社にてガススマートメーター・電力トレーディングのシステム開発を経験した後、総合商社にて全社の IT/DX 推進と国内外のエネルギー領域での事業投資・新規事業開発を担当。現在は AWS 総合商社・エネルギー業界のソリューションアーキテクトとして、業界知識を活かした AWS 活用に携わる。