Natureの医療AIガバナンス論争、置き去りにされた患者を浮き彫りに
Natureの医療AIガバナンスを巡る議論は9月8日、二人の研究者が、新たに浮上している責任枠組みの基本的な欠落を指摘したことで、より先鋭化した。この枠組みは医療AIを3つの特性で分類するが、患者の権利に体系的な位置を与えていない。
この批判が重要なのは、医療AIが受動的な推奨を超えつつあるためだ。現在のシステムは、診断、治療選択肢、患者とのコミュニケーション、さらに後続する臨床業務にも影響を及ぼし得る。患者がその結果を負う以上、責任を臨床医、病院、開発者、規制当局だけの間で決めることはできない。
今回の直接的な論争は、Kyle Lamと4人の共著者による枠組みから始まった。これは、AIシステムの自律性、自動化、運用範囲を責任に結び付けるものだ。Yuan ShenとLinghua Yuは、その構造が有用であることは認めつつも、患者の参加、権利、救済なしには責任の地図は不完全だと主張する。
Natureの医療AIガバナンス批判が変えたもの
今回の指摘は、能力ベースの規制を否定するものではない。能力だけでは、正当な医療AIガバナンスを定義できないと訴えている。
ShenとYuは、9月の書簡で、2026年7月にNatureで発表された枠組みに応答した。先行する提案は、AIが患者ケアでより大きな役割を担うにつれて、責任をどのように移すべきかを問うている。
この枠組みは、自律性、自動化、運用範囲を用いて医療AIを分類する。自律性は、システムがどの程度独立して判断または行動できるかを示す。自動化は人間の業務をどの程度担うかを測り、運用範囲はケアにどれほど広く関与するかを表す。
これらの次元は、規制当局が診断支援ツールと臨床行為を開始するシステムを区別する助けとなる。また病院にとっても、責任が主として臨床医、組織、メーカー、あるいは別の関係者の誰にあるのかを問う手掛かりとなる。
ShenとYuが提示するのは別の問いだ。たとえ組織同士が責任を配分できたとしても、患者はガバナンス構造のどこに位置付けられるのか。
彼らの答えは明快だ。患者の権利は、この枠組みの設計に体系的な位置を与えられていない。インフォームド・コンセントには触れられているものの、それ以外では患者は、意思決定を形作る参加者ではなく、意思決定の影響を受ける人々にとどまっている。
この違いは重要だ。通常、同意は特定の介入、情報開示、データ利用と結び付いている。対してガバナンスは、どのシステムをケアに導入するか、どのようなリスクを許容するか、パフォーマンスをどう監視するか、失敗後に何をするかを決める。
患者は治療に同意しても、そのルールの策定には関与しない場合がある。病院もまた、同意要件を満たしながら、患者がアルゴリズムによる推奨に異議を唱えたり、自動化された判断を理解したりできない状態を残し得る。
したがって、患者中心のAIガバナンスに必要なのは、追加の情報開示画面以上のものだ。導入前の参加、ケア中に利用できる説明、被害後の実質的な救済を制度が考慮する必要がある。
ここには、いずれも正当な二つの目標の緊張関係がある。能力ベースの枠組みは、複雑な技術システム全体に明確な説明責任を求める。患者中心のガバナンスは、そのシステムが臨床的・個人的な結果に直面する人々を守っているかを問う。
この指摘は書簡であり、新たな規制や拘束力ある標準ではない。既存のすべての枠組みが患者を排除していることを証明するものでもない。その重要性は、医療AIの権限が拡大する局面で、繰り返し見落とされてきた盲点を明らかにした点にある。
この枠組みを巡る議論は、医療システムにも実務上の警告を与える。事故後に責任を割り当てても、事故前の正当性が自動的に生まれるわけではない。ガバナンスのプロセスは、失敗時に誰が責任を負うかを特定できても、どの失敗が受け入れられないのかを患者に問わないままになり得る。
この隔たりは開発者にとっても重要だ。プロダクトチームは、臨床医や病院を主要ユーザーとして扱うことが多い。しかし医療では、インターフェースを操作する人が、必ずしも最大のリスクを負う人とは限らない。
医療AIの責任はなお組織を中心に構築されている
説明責任モデルの多くは、AIシステムを管理する組織から始まり、患者は主として被害を受ける可能性のある存在として登場する。
Lamと共著者らは、現実的な問題に対応するために医療責任の枠組みを開発した。臨床医とAIシステムが協働するにつれ、専門職としての責任に関する従来の前提は、適用が難しくなっている。
臨床医は、モデルがどのように結論に至ったかを知らないまま、AIの推奨を受け取ることがある。病院は、トレーニングデータを管理せずにソフトウェアを設定するかもしれない。ベンダーは導入後にシステムを更新し、定着したワークフロー内の挙動を変える場合がある。
段階的な枠組みは、こうした関係の分析を容易にできる。システムの自律性、自動化、運用上の広がりが増すほど、その挙動をより強く管理する当事者へ責任を移すべきだという考え方だ。
この論理が有用なのは、単に人間を関与させ続けても責任は解決しないためである。出力を検討する時間がない、あるいは自動化された行為を止める実際的な手段がない場合、臨床医は意味のある監督を提供できない。
意味のあるAI監督に関する近年の研究は、この運用上の論点を示している。監督は、回避可能な被害が生じる前に、人々がAIを介したケアの方針を理解し、異議を唱え、中断できるかに依存する。
同じ研究は、使いやすいオーバーライド操作、追跡可能な介入、フィードバックループ、導入後レビューといった具体的な措置も示している。また、臨床医が実質的に管理できないシステムの、当然の安全保証人になるべきではないとも論じている。
これらの措置は、組織間の説明責任を改善する。しかし、調達、許容可能な性能、エスカレーション規則、停止に関する判断で、患者に正式な役割が与えられることまでは保証しない。
ガバナンス委員会には、臨床医、法務チーム、エンジニア、セキュリティ専門家、管理者が含まれるかもしれない。それでも、偽陰性、説明のない遅延、利用しにくい不服申立てプロセスが患者の側からどのように感じられるかを理解する人がいない可能性がある。
その不在は、委員会が何を測定するかに影響する。開発者はしばしば総合的な精度を重視し、臨床医はワークフローと安全性に焦点を当てる。管理者は、導入リスク、運用能力、法的リスクを優先するかもしれない。
患者は異なる懸念を提起できる。例えば、性能がコミュニティごとに異なるか、判断がベッドサイドで説明可能か、AIを拒否するとケアへのアクセスが変わるかを問うかもしれない。
また、従来の指標が見落とす負担を特定することもある。誤ったメッセージは、臨床医が訂正するまで不安を生む可能性がある。自動化された予約判断は、臨床上のエラーとして現れないままケアを遅らせることがある。
患者中心のモデルは、組織の説明責任を取り除くものではない。その上に権利ベースの層を加え、設計、審査、導入、監視、是正の各段階で患者を可視化するものだ。
主な圧力は病院と規制当局にかかる。どちらもすでに専門家グループを招集し、エビデンスの基準を定め、技術を承認している。患者参加を助言的なものにとどめるのか、代表性を持たせるのか、実際の意思決定権と結び付けるのかを決めなければならない。
ベンダーも圧力に直面する。医療システムが文書化された患者関与を求めるなら、開発者はユーザビリティテストを超える証拠を必要とする。患者の懸念がプロダクトやその導入条件をどう変えたかを示さなければならない。
ここで、医療AIの責任と患者中心のガバナンスは分岐する。責任は、ケアが失敗したときに誰が答えるべきかを問う。患者中心のガバナンスはさらに、その失敗が起きる前に、誰がシステムに影響を及ぼす資格を持っていたのかを問う。
患者中心のAIガバナンスには同意以上のものが必要だ
同意は患者の権利の一つにすぎず、ガバナンスには代表性、透明性、選択、異議申立て可能性、救済も含まれる。
インフォームド・コンセントは依然として不可欠だ。患者は、AIシステムがケアに実質的な影響を与える場合、その役割、そして臨床判断の責任を負う人間が誰かを知るべきである。
しかし、拒否が現実的ではない場合、同意は象徴的なものになり得る。患者に利用可能な病院、保険ネットワーク、専門医が一つしかないこともある。AIを介したワークフローを拒否することは、アクセスの遅延や制限を受け入れることを意味するかもしれない。
同意だけで、ガバナンスのすべての負担を担うこともできない。患者は、短い臨床上の説明から、モデルのサブグループ別性能、更新方針、サイバーセキュリティ管理、監視計画を評価することはできない。
組織は、個々の患者に選択を求める前に、こうした保護を整備しなければならない。患者の判断は信頼できるシステムの中に位置付けられるべきであり、その代替物であってはならない。
世界保健機関（WHO）の医療AIガイダンスは、より広い基盤を示している。その6原則には、自律性の保護、ウェルビーイングと安全性の促進、透明性の確保、説明責任の促進が含まれる。
このガイダンスは、有効な同意をプライバシーおよび医療上の意思決定に対する人間の管理とも結び付けている。こうした保護が示すのは、患者中心のAIガバナンスを技術的なリスクスコアに還元できないということだ。
実行可能なモデルは、代表性から始まる。医療システムは、許容できる利用法を特定し、受け入れられない結果を定義し、導入のエビデンスを審査する際に、患者とコミュニティを関与させるべきである。
代表性は、影響を受ける人々も反映しなければならない。一人の患者代表が、すべての障害、言語、疾患、年齢層、不平等なケアの経験を代弁することはできない。
次に必要なのは、理解可能な透明性だ。患者に必要なのは、システムのアーキテクチャに関する技術的な説明ではなく、システムが果たす役割の説明である。
有用な説明は、実務的な問いに答えるべきだ。AIは推奨を生成したのか、症例を順位付けしたのか、メッセージを下書きしたのか、それとも業務を開始したのか。ケアに影響する前に、有資格者が結果を確認したのか。
選択もまた必要な要素だが、その重要性は用途によって異なる。低リスクの管理ツールは、診断や投薬を左右するシステムと同じ選択上の問題を生じさせない。
より重大な結果をもたらす用途では、組織はAIを使わない経路が存在するかを説明すべきである。また、その経路を選ぶことで、時間、アクセス、治療選択肢が変わるかも開示すべきだ。
異議申立て可能性は、患者にAIの影響を受けた判断へ異議を唱える手段を与える。このプロセスは、単に苦情を記録するのではなく、事案を審査する権限を持つ人に届かなければならない。
被害やニアミスの後には救済が重要になる。患者には明確な報告経路、迅速な調査、不正確な記録の訂正、そしてそれに伴う措置の説明が必要だ。
こうした権利は、技術的な監視と結び付けるべきである。苦情の傾向は、特にエラーが特定のサブグループやワークフローに集中する場合、総合的な性能スコアでは見えにくい故障モードを明らかにできる。
したがって、患者の知識は装飾ではなくエビデンスである。それは、隠れたコスト、分かりにくい説明、利用しにくいインターフェース、異議申立てにおける実務的な障壁を特定できる。
医療システムには、そのエビデンスを取り込むための規律ある手法が必要だ。構造化インタビュー、諮問パネル、インシデント報告、継続的なユーザー調査は、個々の経験をガバナンスのシグナルへと変えることができる。
この取り組みを行うチームは、文書化されたリサーチ分析ワークフローを利用し、インタビューを整理して繰り返し現れる懸念を追跡できる。このツールは、とりわけ資料にセンシティブな健康上の体験が含まれる場合、人によるレビューを支援すべきである。
これらの措置のいずれも、技術的な意思決定に関する単独の権限を患者に与えるものではない。また、患者の参加が、1人の代表者に付与された拒否権になってはならない。
目標は、影響力が明確に定義された共同ガバナンスである。機関は、どの患者の懸念が受け入れられ、退けられ、または先送りされたかを、その理由とともに記録すべきだ。
その記録がなければ、参加は儀礼的なものになるおそれがある。患者パネルが存在していても、調達、性能閾値、導入に関する意思決定が変わらないことはあり得る。
中核となるトレードオフは、効率性と患者の自己決定権の間にある
医療AIはアクセスと一貫性を改善できる一方で、自動化の進展がそれを取り巻く権利の整備を上回れば、自己決定権を弱める可能性がある。
より高度な医療AIを求める根拠は大きい。システムは診断を支援し、臨床ガイダンスを検索し、コミュニケーション文書を作成し、複雑なケア経路の管理を助けることができる。
2026年に報告された研究は、その方向性を示している。MIRAとGoogleのAMIEという2つの医療AIシステムが、診断から治療計画までに及ぶタスクで評価された。
研究発表によると、AMIEは100件の仮想的な複数回受診ケースにおいて、21人のプライマリ・ケア医と比較された。この研究は5つの医療専門分野を対象とし、確立された臨床ガイダンスを用いた。
発表では、AMIEは診療方針に関する推論で医師と同等であり、精度やガイドラインとの整合性に関する複数の指標ではより優れた結果を示したとされる。一方で研究者らは、臨床利用の前にはさらなる検証が必要だとも警告した。
仮想ケースは、ケアの現場にあるあらゆる条件を再現するものではないため、こうした留保は重要である。実際の患者は不完全な病歴を伝え、変化する希望を示し、構造化された評価では十分に捉えられない現実的な制約の中で暮らしている。
システムが推奨から行動へと進むほど、潜在的な利益は大きくなる。同時に、影響を受ける患者とシステムを設定する人々との距離も広がる。
臨床医の記録を下書きするAIアシスタントの運用範囲は限定的である。ポータル上のメッセージに優先順位を付けたり、フォローアップを開始したりするシステムは、誰がいつ注意を向けられるかに影響を与えうる。
この進展は、能力に基づく責任フレームワークが魅力的である理由を説明している。ガバナンスは、機械学習のあらゆる利用に一律のルールを適用するのではなく、ツールごとに区別しなければならない。
しかし、能力の分類だけでは、導入を統治すべき価値観は決まらない。技術的に正確なシステムであっても、患者の選択肢を制限し、不十分な説明しか提供せず、負担を不公平に配分する可能性がある。
したがって中核となるトレードオフは、AIと人によるケアの対立ではない。両者が緊張関係に置かれたときの、組織的な効率性と患者の自己決定権の対立である。
病院は、トリアージシステムがレビュー時間を短縮するため価値を見いだすかもしれない。患者が、そのシステムは一般的でない症状、不利益を受けやすい集団、あるいは標準化されていない方法で意思疎通する人々を見落とさないのかと問うのは合理的である。
開発者は、患者メッセージのモデルを速度と処理完了率に最適化するかもしれない。患者にとっては、口調、不確実性、エスカレーション、そして臨床医が元のメッセージを確認したかどうかの方が重要な場合がある。
こうした優先事項は共存できるが、それはガバナンスがそれらを設計要件として扱う場合に限られる。患者の自己決定権は、一般的な通知によって導入後に付け加えられるものではない。
トレードオフはリスク水準によっても変化する。臨床記録内のスペルチェック支援は、治療を推奨したり投薬を更新したりするシステムとは異なる統制を必要とする。
したがってガバナンスは、能力段階と権利段階を組み合わせるべきである。より大きな自律性と運用上の影響範囲には、より強力な開示、参加、異議申立て可能性、監視の要件を課す必要がある。
このアプローチは、元来の説明責任の論理を置き換えるのではなく、強化する。管理権限を持つ当事者が責任を負い、リスクにさらされる人には執行可能な保護が提供されるべきである。
また、調達チームにより明確な問いを与える。製品は理解可能な説明を支援するか。スタッフは出力を追跡し、行動を停止し、患者からの異議を記録できるか。
組織は、適切な場合に意味のある代替手段を提供できるか。ベンダーは特定の集団に関する報告を調査し、病院はその結果に基づいて行動できるか。
こうした問いは導入を遅らせる可能性がある。しかし、システムが健康、自律性、ケアへのアクセスに影響する場合、その遅れが直ちに無駄だとは限らない。
反対側のリスクにも注意が必要である。過度な手続き要件は、有用なツールが人員不足の現場や専門医へのアクセスが限られた地域に届くのを妨げる可能性がある。
したがって、患者中心のガバナンスは比例原則を維持しなければならない。目的はあらゆる用途に最大限の手続きを課すことではなく、影響の重大性とシステムの権限が増すほど保護を強化することである。
患者参加は依然として形骸化しうる
AI委員会に患者の席を加えても、患者が情報、影響力、または現実的に意思決定へ異議を申し立てる手段を持つとは限らない。
これは、現在の提案に対する最も有力な懐疑的視点である。患者を中心に据えるべきだという主張は説得力があるが、組織はそれを表面的に満たすことができる。
医療AIは技術的に複雑である。患者代表は会議の直前に密度の高い文書を受け取る一方、臨床医や開発者は数か月にわたりシステムに取り組んできた可能性がある。
権力差も議論を形作る。病院から招かれた患者は、議題を管理する経営幹部、医師、技術専門家に異議を唱えることをためらうかもしれない。
報酬とアクセシビリティも重要である。無報酬の参加は、時間、経済的な柔軟性、信頼できる交通手段、技術への自信があり、健康上の制約が少ない人々を優遇する。
代表性も別の難題を生む。同じシステムの影響を受ける患者でも、特に迅速なアクセスがプライバシー、説明、人によるレビューと競合する場合、優先事項が対立することがある。
医療システムは、概してイノベーションを支持する代表者を選ぶこともできる。また、調達後にフィードバックを集めることもできるが、その時点では方針変更に多大な費用と政治的困難が伴う。
市民・患者参加に関する研究は、こうした課題を認識している。ある研究は、意味のある参加を、単に市民について、または市民のために行われる研究ではなく、市民とともに、または市民によって行われる研究と定義している。
同じ参加に関する研究は、AI、ビッグデータ研究、市民参加をまたぐ協働における実務上の困難を説明している。技術的複雑性は参加を不可能にするものではないが、参加者に必要な支援を変える。
組織は、ベンダーや最終的なユースケースを選ぶ前に参加を開始すべきである。早期の参加により、患者はほぼ完成したシステムに反応するのではなく、問題の定義を形作ることができる。
参加者には、想定用途、検証対象集団、既知の限界、更新手順、現実的な代替策について、平易な言葉による根拠が必要である。技術的な主張に異論がある場合には、独立した支援も必要となる。
ガバナンス機関は、患者参加に付随する権限を定義すべきである。諮問、議決権を持つ委員資格、エスカレーション権限、監査へのアクセスは、互いに代替可能なものではない。
機関は意思決定記録を公開または保管すべきである。その記録は、患者の意見が要件、導入条件、監視、または却下にどのように影響したかを説明すべきだ。
また、参加が結果を変えているかも追跡すべきである。関連する証拠には、改訂された説明、追加されたアクセシビリティ機能、新たなサブグループ試験、調整された閾値、より強力な不服申立て手続きが含まれる。
フィードバックは導入後も継続すべきである。導入前のワークショップでは、実際の臨床ワークフローによって生じるすべての問題を明らかにすることはできない。
導入後の窓口は、安全で利用しやすいものでなければならない。患者は、正確なモデル、ベンダー、または技術コンポーネントを特定できなくても、AIに関連する懸念を報告できるべきである。
その後、スタッフはその報告を技術的・臨床的レビューにつなげなければならない。そうでなければ、繰り返されるモデルの失敗は通常のカスタマーサービスシステムの中に埋もれてしまう可能性がある。
プライバシーも別のリスクをもたらす。詳細な患者体験を収集すると、特にガバナンスチームがツールや部門をまたいで臨床上の事例を組み合わせる場合、新たなセンシティブ記録が作られる可能性がある。
機関は必要な情報だけを収集し、アクセスを制限し、フィードバックをどのように利用するか説明すべきである。患者中心のガバナンスが、健康データを抽出する別の経路になってはならない。
市民の合意を過大に示す危険もある。小規模な諮問グループは、あらゆる導入判断に民主的正当性を与えることはできない。
患者の意見は、臨床的根拠、技術的試験、法的義務、公平性分析を補完すべきである。それらを置き換えることはできない。
逆に、技術的な証拠が生活上の体験を封じ込めてはならない。モデルは集計ベンチマークを満たしていても、一般的なパターンから外れる人々に深刻な困難を生じさせる可能性がある。
適切な基準は、結果に影響する参加である。患者の関与は、システムを取り巻くルール、根拠、インターフェース、または救済策に追跡可能な効果をもたらすべきである。
何も変わらない場合、機関はその理由を説明できるべきである。説明できなければ、患者中心という言葉はガバナンスではなくブランディングになっている。
ガバナンスが実際に変化しているかを示す3つの兆候
次の試金石は、原則を改めて表明することではない。規制当局と医療システムが、患者の権利を意思決定、統制、測定可能な証拠へと変換するかどうかである。
第1の兆候は、医療AI監督における正式な患者権限である。FDAはすでに、人工知能、サイバーセキュリティ、患者生成データを検討できるDigital Health Advisory Committeeを運営している。
同機関は、医療機器プログラム内で患者中心の開発機能も維持している。重要な問いは、これらの仕組みが特定のAI評価基準や市販後統制に影響を与えるかどうかである。
より強い兆候には、重大な影響をもつシステムの審査において役割が定義された患者代表を含めることが挙げられる。公開された質問、勧告、または決定理由は、その影響力を評価しやすくする。
規制当局が患者の意見を評価基準に明示的に結び付ければ、Natureによる医療AIガバナンスへの批判は制度的な力を得る。参加がAIの中核的な意思決定から切り離されたままであれば、ShenとYuが指摘した隔たりは残る。
第2の兆候は、病院における調達の証拠である。医療システムは、患者参加、コミュニケーション計画、不服申立て経路、サブグループ監視を文書化するよう、ベンダーに求め始めるべきである。
この証拠は、導入承認の前に提示されるべきである。契約後に実施された患者諮問セッションは、製品選定に対する意味のある影響を示すものではない。
調達要件は、原則を市場アクセスに変換するため、開発者の行動を迅速に変えうる。買い手が追跡可能性、オーバーライド統制、文書化された患者フィードバックを要求すれば、ベンダーは対応する。
信頼できる調達記録は、どの懸念が設定やワークフローを変更させたかを示すだろう。また、制限、停止、または撤回を発動する条件も明記するはずである。
病院がこうした要件を採用すれば、患者中心のAIガバナンスは実務となる。技術性能と臨床医の使いやすさだけを測定し続けるなら、この提案は不完全なままである。
第3の兆候は、患者体験を含む導入後報告である。現在の監視は、多くの場合、精度、インシデント、稼働時間、オーバーライド、臨床医の対応を重視している。
これらの措置は重要だが、あらゆる害を捉えられるわけではない。患者は、従来型の安全性インシデントが発生しなくても、混乱、対応の遅れ、利用しにくいコミュニケーション、あるいは信頼の喪失を経験し得る。
医療システムは、患者からの苦情や不服申立てを、モデルのバージョン、ワークフロー、影響を受ける集団と結び付けるべきである。そのうえで、見られる傾向が性能の劣化や設計上の失敗を示しているかを検討する必要がある。
臨床データやベンダー情報は機微に触れる可能性があるため、公開報告には慎重さが求められる。それでも組織は、ガバナンスの手法、懸念事項の分類、実施した是正措置を開示できる。
このシグナルは、患者からの報告が対応可能なリスクを明らかにすることを示すことで、患者参加の必要性をより強く裏付ける。実用的な報告経路が存在しなければ、患者が中心に据えられているという主張は弱まる。
これら3つのシグナルは、実務的な一連の流れを成す。規制当局が期待される基準を定め、病院がそれを調達・導入のルールに落とし込み、モニタリングがそのルールの有効性を明らかにする。
この流れは、誰に圧力がかかるのかも明確にする。規制当局は、患者の権利を技術的枠組みに組み込むべきかを判断しなければならない。病院は参加を権限へと転換する必要があり、ベンダーは説明、審査、救済を支援しなければならない。
開発者や企業の購買担当者にとって、教訓は明白である。医療AIの品質には、もはやベンチマーク上の性能だけでなく、モデルを取り巻くガバナンスも含まれる。
臨床医にとって、患者中心のガバナンスは、分散した技術システムが生み出すすべてのリスクを一人の専門職が引き受けなければならないという期待を軽減し得る。明確な権利とエスカレーション経路は、実際に統制力を持つ当事者へ責任を分配する。
患者にとって、この変化はより根本的なものとなる。AIを介した意思決定の最終的な受け手から、それらのシステムがどのように運用されるかを決めるうえで認められた参加者へと移行することになる。
この結果は保証されていない。Natureのコレスポンデンスは明確な批判を提示しているが、完全な実装モデルを示しているわけでも、機関がそれを採用することを証明しているわけでもない。
次の段階は、医療AIが診療に導入されるあらゆる場面で具体的な問いを投げかけることだ。承認前に患者を代表したのは誰か。患者はどの情報を理解でき、どの決定に異議を申し立てられ、失敗した場合にはどのような救済が行われるのか。
Natureの医療AIガバナンスは、これまで欠けていた当事者を名指しした。次のシステムがベッドサイドに届く前に、その認識が誰に発言権を与えるのかを、規制当局、病院、開発者は示さなければならない。
