メディカルRPA協会が「国際モダンホスピタルショウ2025」に出展。業務自動化ソリューションMediRobo!を紹介し、医療DXの進展を提案します。

ファストドクターがセコムOWELと提携し、在宅医療の情報共有を自動化するAPI連携を導入。医師間の情報格差を減らし、質と安全性の向上を目指す。

特殊医薬品のアクセス改善を目指すMandolinが4,000万ドルを調達。AIエージェントが事前承認、請求管理を自動化し、患者の治療開始時間を大幅短縮。Yahoo!創設者やVercel CEOも投資する注目企業の革新技術と、2,500億ドルから1兆5,000億ドルへ成長する市場動向を詳細分析。

UiPathはGoogle Cloudと提携し、医療プロセスの自動化を進めるAIエージェントを発表しました。効率と精度の向上が期待されています。

マイクロソフトは自社のAI診断システムが、人間の医師による症状分析の流れを再現し、高精度な診断をすることを実験で検証した。この技術には、医療費を減らす効果も期待されている。

東京エレクトロンデバイス株式会社が、ものづくりワールド2025に出展し、医療機器開発と自動化ソリューションを発表します。

現代社会が直面する様々な課題に対して、テクノロジーの力を活用した大胆な解決策を提唱する思想が注目を集めています。 その中でも特に「加速主義」と「テクノリバタリ…

MONAI Tutorials. Contribute to Project-MONAI/tutorials development by creating an account on GitHub.

現代社会が直面する様々な課題に対して、テクノロジーの力を活用した大胆な解決策を提唱する思想が注目を集めています。 その中でも特に「加速主義」と「テクノリバタリ…

AMBLはAI技術を活用し、医療現場の業務を効率化。シフト管理や病床割り当てを半自動化し、業務時間を大幅に短縮します。

旭川赤十字病院がAWSと連携し、生成AIを活用して音声データの認識からインフォームド・コンセント及び議事録作成の自動化を目指します。

新発売のポータブルオージオメータ「BOOK AUDIO」は、聴力検査を自動化し、医療現場の負担を軽減。子どもたちの健康を守るための新機能に注目です。

アルフレッサ株式会社とアセントロボティクス株式会社が資本業務提携を締結し、医療分野におけるAIと自動化技術の導入を進めると発表しました。

ELEKS株式会社のコンプライアンス自動化プラットフォームeCAPが、HITRUST e1認証を取得。医療業界など規制産業における安全性向上を図る取り組みを紹介します。

Expanding AI Infra beyond NVIDIA GPUs

テルモと京都大学iPS細胞研究財団（京都市）は19日、iPS細胞の培養を自動化する共同研究に乗り出すと発表した。財団が持つiPS細胞の知見とテルモが持つ細胞の増殖システム「カンタムフレックス」を組み合わせ、培養の効率化の向上を目指す。カンタムフレックスは細胞培養の栄養となる「培地」の交換がしやすく、効率的に培養できる。自

IoT在庫管理システム「SmartMat Cloud」が、年中無休のワタナベ歯科医院の在庫管理を自動化。業務効率を大幅に向上させるその実績をご紹介します。

こんにちは、Ubieでアナリティクスエンジニア/データアナリストをしているmatsu-ryuです。 普段は、Ubieが提供するサービスから得られる様々なデータを活用し、「テクノロジーで人々を適切な医療に案内する」というミッションの実現に向けて取り組んでいます。 皆さんの職場では、こんなやり取りはありませんか？ 「先月のカテゴリ別売上トップ3、都道府県別で出せますか？」「レビュー評価が星1つの商品のリストと、その商品を買ったユーザーのリストをお願いします。」 データドリブンな意思決定が重視される昨今、こうしたデータ抽出・分析の依頼は日常的に発生します。しかし、その裏側では多くの組織が共通の課題を抱えています。 SQLの壁: 分析したい人が必ずしもSQLを書けるわけではありません。エンジニアに依頼が集中しがちです。 コミュニケーションの難しさ: 依頼内容の微妙なニュアンスを正確に伝え、認識の齟齬なくSQLに落とし込むのは手間がかかります。 見えないコスト: 一つ一つは「簡単な依頼」に見えても、積み重なると無視できない工数となり、エンジニアがより付加価値の高い業務に集中する時間を奪ってしまいます。 もちろん、高機能なBIツールも存在しますが、例えば「購入後に低評価レビューを付けたユーザーが、その前にどんなページを見ていたか」といった、複数テーブルを複雑に（時には時系列で）組み合わせるような分析は、GUI操作だけでは難しい場面も少なくありません。 そこで、私たちはある事実に気づきました。「普段の分析依頼でアクセスするデータベースのテーブルは、実はかなり限定的なのではないか？」と。 例えばECサイトであれば、注文 (orders)、顧客 (users)、商品 (products)、レビュー (reviews) など、コアとなるテーブルは数十程度かもしれません。 この気づきから、私たちは新たな取り組みに着手しました 「AIエージェントに、限定されたテーブルの中から最適なものを選ばせ、SQLを自動生成してもらおう！」 私たちが目指すのは、まるで優秀なアシスタントに依頼するように、自然な言葉で「〇〇のデータが見たい」と話しかけるだけで、AIがその意図を正確に汲み取り、必要なテーブルを特定し、検証済みのSQLを生成・実行してくれる世界です。SQLが書けないビジネスユーザーでも、これまでエンジニアに依頼しなければ難しかったような分析を、手軽に行えるようにすること。それが私たちのゴールです。 本記事では、pydantic-ai（Pydanticモデルを利用して大規模言語モデル（LLM）からの出力を構造化し、AIエージェントの構築を容易にするライブラリ）と pydantic-graph を用いて、Google BigQueryをデータソースとしたText-to-SQLシステムを構築した際の、具体的なアプローチと実装例をご紹介します。 アプローチの核心：AIに"考えさせる"ためのワークフローとツール 大規模言語モデル（LLM）は驚くほど賢くなりましたが、それでも「ECサイトの売上分析用SQLを作って」のように指示しただけで、完璧な答えが返ってくることは稀です。特に、BigQueryに数千ものテーブルが存在する ような環境では、AIが最適なテーブルを見つけ出すのは困難です。 そこで重要になるのが、「役割分担」 と 「AI自身による情報収集能力」 です。 私たちは、人間がデータ分析を行う際の思考プロセス（①仕様を決める → ②SQLを書く → ③レビューする → ④実行する）を模倣し、それぞれのステップを専門のAIエージェント（ノード）が担当する**「ワークフロー」** を構築しました。このワークフローの設計には pydantic-graph を利用しています。 さらに、各AIエージェントが学習済みの一般的な知識だけに頼るのではなく、