openmed

現時点の証拠からの採用判断は、「本格的に試験導入する価値はあるが、人気だけで全面導入すべき段階ではない」です。前向きに見られる根拠は主に公式 GitHub にあり、ローカル実行、clinical NER、HIPAA PII 匿名化、Apple MLX と Python 対応という位置づけが明確です。PR や診断コマンドの存在から、単なる構想ではなく実際に開発が進んでいることも分かります。ただし、GitHub の star や fork、X での拡散、急成長といった指標は熱度の証明であって、医療ソフトとしての信頼性の証明ではありません。これは病院向け HIS/EMR でも、診断を下す「AI 医師」でもなく、より正確には医療テキスト抽出とプライバシーフィルタリングのためのローカル推論ツールボックスです。

実際の用途はかなり具体的で、診療記録、臨床文書、研究テキストをローカル端末や院内ネットワーク内にとどめたまま、エンティティ認識、構造化、匿名化を行うことです。公式リポジトリや GitHub Topic 断片には、1000+ から 2200+ の医療モデル、12 から 21 言語、100% on-device といった記述があり、単一モデルというよりモデル群と実行基盤の組み合わせに近いと見られます。X では作者が privacy-filter v2 で 13000 token の臨床ファイルを高速にストリーミング匿名化する様子を示しており、これは「実際に動く」ことの証拠です。ただし、あくまで作者デモであり、第三者による本番運用の大規模検証ではありません。「340M downloads」「1500+ models」「650+ on iPhone」といった主張も主に作者の SNS 発信なので、能力保証より注目度や拡大速度の指標として読むのが安全です。

導入ハードルとコストについては、「ローカル導入やモデル選定の力が必要」という点は支持できますが、正確な料金判断まではできません。公式に確認しやすいのは local-first と no-cloud という方針です。一方で作者は X 上で、一部モデルを Hugging Face Inference Providers にオフロードして token 単位課金で使えることや、CPU 動作も可能だと述べていますが、これは SNS 上の発言や利用例であり、安定した公式料金表ではありません。したがって、低コストを保証する材料にはなりません。保守的に見れば、完全ローカル運用の主な負担はハードウェア、導入、モデル評価、コンプライアンス確認、保守です。ハイブリッド推論では API コストが利用量に応じて増減します。