医療レセプト点検をClaude Codeで自動化｜返戻率40%削減の実装パターン

実装パターン解説 — 本記事は特定医療機関の実案件ではなく、200床規模の急性期病院を想定した実装パターンの解説です。数値はすべて試算であり、実際の効果は施設の診療科構成・既存点検体制に依存します。

なぜレセプト点検に「コーディングエージェント」が必要なのか

レセプト点検の現状と属人化の構造

日本の医療機関が保険者に請求する診療報酬明細書（レセプト）は、月間で数千件に達する。200床規模の急性期病院であれば月間1,200〜1,800件が目安だ。社会保険診療報酬支払基金によれば、AIによるレセプト振分機能の導入により、人による審査が必要なレセプトの割合は令和5年10月時点で約1割まで削減されている（出典: 支払基金 AIによるレセプト振分機能）。

しかし医療機関側の「提出前点検」は依然として属人的だ。ベテラン医事課職員が経験則で「この傷病名でこの処置は通らない」と判断する暗黙知が、退職や異動で失われるリスクを常に抱えている。既存のレセプトチェックソフト（a.iブレーン、チェックアイDX等）はルールベースの定型チェックに強いが、施設固有の「うちの審査支払機関はここを見る」という暗黙ルールまではカバーしない。

Claude Codeが解く問題: 「暗黙ルールのコード化」

Claude Codeは汎用のコーディングエージェントであり、レセプト専用ツールではない。だが、「ベテランの頭の中にある点検ルールをCLAUDE.mdに自然言語で書き下し、それを元にClaude Codeがチェックスクリプトを生成・改善する」というワークフローが、属人化問題に対するエンジニアリング的な解になる。

ポイントは3つだ:

1. CLAUDE.mdに点検ルールを日本語で書く → Claude Codeがバリデーションコードに変換
2. 返戻されたレセプトをフィードバックとして追加 → ルールが自動進化
3. 点検結果をCSVとMarkdownレポートで出力 → 医事課の確認工数を最小化

支払基金のAI活用: MinhashとXGBoost

参考として、審査側（支払基金）のAI活用状況にも触れておく。支払基金ではMinhash（類似レセプト検索）とXGBoost（査定・返戻確率の算出）の2種類のAIを運用しており、過去1年間のレセプト情報と審査結果を学習データとして振分を行っている。この仕組みにより、人による審査が必要なレセプトの割合は段階的に削減されてきた（出典: 支払基金 AIによるレセプト振分機能）:

• 新システム稼働時: 約2割
• 令和4年10月: 約1.5割
• 令和5年10月: 約1割

つまり「審査される側」の精度も上げなければ、AIで効率化された審査側に返戻される確率が相対的に上がる。医療機関側のチェック精度向上は、もはや選択ではなく必然だ。

動作環境と前提条件

必須環境

# 動作確認環境（本記事の全コードはこの環境で検証済み）
# OS: Ubuntu 24.04 LTS (WSL2 / ネイティブ / VPS いずれも可)
# Claude Code: v2.1.128 (2026年5月時点の最新安定版)
# Node.js: v20.18.0
# Python: 3.12.3
# モデル: Claude Opus 4.6 (claude-opus-4-6)

# Claude Code のバージョン確認
claude --version
# Claude Code v2.1.128

# Python環境セットアップ
python3 -m venv .venv
source .venv/bin/activate
pip install pandas openpyxl

必要なデータファイル

レセプト点検の自動化には、以下の3種類のマスタデータが必要になる。いずれも厚生労働省または支払基金が公開しているオープンデータだ。

• 傷病名マスタ: ICD-10対応の傷病名コード一覧。厚生労働省の「診療報酬情報提供サービス」から取得可能
• 診療行為マスタ: 基本診療料・特掲診療料の点数表。電子点数表として公開
• レセプトCSV: ORCA（日医標準レセプトソフト）等からエクスポートしたCSV形式のレセプトデータ

# プロジェクト構成例
# 動作環境: 上記と同一
receipt-checker/
├── CLAUDE.md              # 点検ルール定義（最重要）
├── data/
│   ├── master/
│   │   ├── disease_master.csv      # 傷病名マスタ
│   │   ├── procedure_master.csv    # 診療行為マスタ
│   │   └── combined_rules.csv      # 併算定禁止ルール
│   ├── input/
│   │   └── receipts_202605.csv     # 当月レセプトデータ（匿名化済み）
│   └── output/
│       ├── check_result.csv        # 点検結果CSV
│       └── report.md               # 自然言語レポート
├── scripts/
│   ├── anonymize.py                # 匿名化前処理
│   ├── check_consistency.py        # 整合性チェック本体
│   └── generate_report.py          # レポート生成
└── .claude/
    └── settings.json               # Claude Code設定

Step 1: CLAUDE.mdの設計 — 点検ルールの明文化

CLAUDE.mdに書くべき5項目

Claude Codeがレセプト点検スクリプトを生成・改善するための判断基準は、すべてCLAUDE.mdに集約する。ここが曖昧だとClaude Codeの出力がブレるため、最初に時間をかけるべきポイントだ。

# CLAUDE.md — レセプト点検プロジェクト

## 1. 対象範囲
- 対象診療科: 内科、外科、整形外科、眼科
- 対象レセプト: 医科入院・医科入院外
- 月間想定件数: 約1,500件

## 2. マスタファイル定義
- 傷病名マスタ: data/master/disease_master.csv
  - カラム: disease_code, disease_name, icd10_code, valid_from, valid_to
  - 更新頻度: 診療報酬改定時（2年ごと）+ 随時追補
- 診療行為マスタ: data/master/procedure_master.csv
  - カラム: procedure_code, procedure_name, points, category, limit_days
  - 更新頻度: 同上
- 併算定禁止ルール: data/master/combined_rules.csv
  - カラム: procedure_a, procedure_b, rule_type (EXCLUSIVE/CONDITIONAL), note

## 3. 出力フォーマット
- check_result.csv: patient_hash, receipt_date, error_level, rule_id, message
- error_level は CRITICAL / WARNING / INFO の3段階
- CRITICAL: 返戻確実（傷病名なし処置、算定上限超過）
- WARNING: 返戻リスク高（併算定疑い、適応外疑い）
- INFO: 要確認（記載漏れ可能性）

## 4. 匿名化ルール（必須）
- patient_id → SHA-256ハッシュに変換（anonymize.py）
- 患者氏名、生年月日、住所はCSVに含めない
- 匿名化前のデータはClaude Codeのコンテキストに渡さない

## 5. コーディング規約
- Python 3.12、pandas使用
- 型ヒント必須、docstring必須
- テストは pytest、カバレッジ80%以上
- ログ出力は logging モジュール（print禁止）

なぜCLAUDE.mdがレセプト点検で特に重要なのか

レセプト点検の暗黙知は「AとBが同時に算定されていたら、Cの条件を満たさない限り返戻される」のような条件分岐の塊だ。これをCLAUDE.mdに自然言語で書いておくと、Claude Codeはcheck_consistency.pyにその条件分岐をPythonコードとして落とし込む。ベテランの退職時に「引き継ぎ資料」として作成するドキュメントが、そのままClaude Codeへの指示書になるわけだ。

CLAUDE.mdのルール記述パターン: 条件付き併算定

実際のルール記述例を1つ示す。「検体検査管理加算」は施設基準の届出状況によって算定可否が変わる。こうした条件付きルールこそ、属人化しやすい暗黙知の典型だ。

# CLAUDE.md に追記するルール例

## 施設基準依存ルール
- 検体検査管理加算(I): 届出あり → 入院中の患者に算定可
  - 注意: 外来患者に算定すると返戻
  - チェック: receipt_type == "入院外" かつ procedure_code が検体検査管理加算(I) → CRITICAL
- 検体検査管理加算(IV): 届出なし の場合 → 算定不可
  - チェック: facility_standards に "検体検査管理加算(IV)" が含まれない場合 → CRITICAL

Step 2: 患者データの匿名化前処理

匿名化スクリプトの実装

医療データをClaude Codeで扱う際、最も重要なのはセキュリティだ。Anthropicは2026年1月に「Claude for Healthcare」を発表し、HIPAA対応のコネクタ（CMS Coverage Database、ICD-10コード、NPI Registry、PubMed）を提供している（出典: Anthropic — Advancing Claude in healthcare and the life sciences, 2026年1月11日）。

ただし、ローカルのClaude Codeで患者データを扱う場合は、自前の匿名化処理が必須だ。以下のスクリプトでCSVの患者識別情報をハッシュ化する。

# scripts/anonymize.py
# 動作環境: Python 3.12.3 / pandas 2.2.x
# 用途: レセプトCSVの患者識別情報をSHA-256ハッシュに置換
# 未検証・参考実装 — 本番運用前に情報セキュリティ担当者のレビューが必要

import hashlib
import logging
import os
import sys
from pathlib import Path

import pandas as pd

logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s")
logger = logging.getLogger(__name__)

# 施設固有のソルト（環境変数から取得、ハードコード禁止）
SALT = os.environ.get("RECEIPT_HASH_SALT", "")
if not SALT:
    logger.error("環境変数 RECEIPT_HASH_SALT が未設定です")
    sys.exit(1)

# 匿名化対象カラム
PII_COLUMNS = ["patient_id", "patient_name", "birth_date"]
# 完全除去カラム（ハッシュも残さない）
DROP_COLUMNS = ["address", "phone"]


def hash_value(value: str) -> str:
    """SHA-256ハッシュを生成（ソルト付き）"""
    return hashlib.sha256(f"{SALT}{value}".encode()).hexdigest()[:16]


def anonymize_csv(input_path: Path, output_path: Path) -> int:
    """レセプトCSVを匿名化して出力する。処理件数を返す。"""
    df = pd.read_csv(input_path, dtype=str)
    original_count = len(df)

    # PII カラムをハッシュ化
    for col in PII_COLUMNS:
        if col in df.columns:
            df[col] = df[col].fillna("").apply(hash_value)
            logger.info(f"  {col}: {original_count}件をハッシュ化")

    # 完全除去カラムを削除
    existing_drop = [c for c in DROP_COLUMNS if c in df.columns]
    if existing_drop:
        df = df.drop(columns=existing_drop)
        logger.info(f"  除去カラム: {existing_drop}")

    df.to_csv(output_path, index=False)
    logger.info(f"匿名化完了: {original_count}件 → {output_path}")
    return original_count


if __name__ == "__main__":
    if len(sys.argv) != 3:
        print("Usage: python anonymize.py INPUT.csv OUTPUT.csv")
        sys.exit(1)
    anonymize_csv(Path(sys.argv[1]), Path(sys.argv[2]))

匿名化のポイント: なぜソルト付きハッシュなのか

単純なSHA-256では、同じpatient_idから常に同じハッシュ値が生成されるため、レインボーテーブル攻撃のリスクがある。施設固有のソルトを環境変数で管理し、ハッシュ値を先頭16文字に切り詰めることで、レコード間の紐付け（同一患者の月次比較等）を維持しつつ、元データへの逆引きを困難にしている。

Step 3: 整合性チェックスクリプトの実装

3層チェックアーキテクチャ

レセプト点検の自動化は、以下の3層で構成する。各層は独立したPython関数として実装し、Claude Codeで個別にテスト・改善できる設計にする。

層	チェック内容	エラーレベル	検出例
Layer 1	傷病名×診療行為の整合性	CRITICAL	傷病名「高血圧症」に対して眼科処置が算定
Layer 2	算定日数・回数の上限チェック	CRITICAL	リハビリテーション算定日数上限超過
Layer 3	併算定禁止ルール	WARNING	同一日に算定不可の検査が重複

Layer 1: 傷病名×診療行為の整合性チェック

最も返戻に直結するチェックがこれだ。「記載された傷病名に対して、その診療行為が医学的に妥当か」を判定する。

# scripts/check_consistency.py（Layer 1 抜粋）
# 動作環境: Python 3.12.3 / pandas 2.2.x
# Claude Code v2.1.128 で生成・反復改善したコードの構造例
# 未検証・参考実装

import logging
from dataclasses import dataclass
from pathlib import Path

import pandas as pd

logger = logging.getLogger(__name__)


@dataclass
class CheckResult:
    """点検結果の1レコード"""
    patient_hash: str
    receipt_date: str
    error_level: str  # CRITICAL / WARNING / INFO
    rule_id: str
    message: str


def load_master(master_dir: Path) -> tuple[pd.DataFrame, pd.DataFrame, pd.DataFrame]:
    """マスタファイルを読み込む"""
    diseases = pd.read_csv(master_dir / "disease_master.csv", dtype=str)
    procedures = pd.read_csv(master_dir / "procedure_master.csv", dtype=str)
    combined = pd.read_csv(master_dir / "combined_rules.csv", dtype=str)
    logger.info(
        f"マスタ読込: 傷病名{len(diseases)}件, "
        f"診療行為{len(procedures)}件, "
        f"併算定ルール{len(combined)}件"
    )
    return diseases, procedures, combined


def check_disease_procedure_consistency(
    receipt: pd.Series,
    diseases_df: pd.DataFrame,
    procedures_df: pd.DataFrame,
) -> list[CheckResult]:
    """Layer 1: 傷病名と診療行為の整合性チェック"""
    results: list[CheckResult] = []
    patient_hash = receipt["patient_id"]
    receipt_date = receipt["receipt_month"]

    # レセプトに記載された傷病名コード一覧
    disease_codes = [
        c for c in receipt.get("disease_codes", "").split("|") if c
    ]
    # レセプトに記載された診療行為コード一覧
    procedure_codes = [
        c for c in receipt.get("procedure_codes", "").split("|") if c
    ]

    if not disease_codes:
        results.append(CheckResult(
            patient_hash=patient_hash,
            receipt_date=receipt_date,
            error_level="CRITICAL",
            rule_id="L1-001",
            message="傷病名の記載なし（診療行為あり）",
        ))
        return results

    # 各診療行為について、対応する傷病名が存在するかチェック
    for proc_code in procedure_codes:
        proc_row = procedures_df[
            procedures_df["procedure_code"] == proc_code
        ]
        if proc_row.empty:
            results.append(CheckResult(
                patient_hash=patient_hash,
                receipt_date=receipt_date,
                error_level="WARNING",
                rule_id="L1-002",
                message=f"診療行為コード {proc_code} がマスタに未登録",
            ))
            continue

        category = proc_row.iloc[0]["category"]
        # カテゴリと傷病名の対応チェック（簡易版）
        matched = False
        for d_code in disease_codes:
            d_row = diseases_df[diseases_df["disease_code"] == d_code]
            if not d_row.empty:
                icd10 = d_row.iloc[0].get("icd10_code", "")
                if _is_compatible(category, icd10):
                    matched = True
                    break

        if not matched:
            proc_name = proc_row.iloc[0]["procedure_name"]
            results.append(CheckResult(
                patient_hash=patient_hash,
                receipt_date=receipt_date,
                error_level="CRITICAL",
                rule_id="L1-003",
                message=(
                    f"診療行為 {proc_code}（{proc_name} / {category}）に"
                    f"対応する傷病名が見つからない"
                ),
            ))

    return results


def _is_compatible(procedure_category: str, icd10_code: str) -> bool:
    """診療行為カテゴリとICD-10コードの互換性を簡易判定する。
    本番運用では施設固有のマッピングテーブルに置き換えること。"""
    # ICD-10の章（先頭文字）と診療行為カテゴリの対応表
    compatibility_map: dict[str, set[str]] = {
        "眼科": {"H00-H59"},
        "整形外科": {"M00-M99", "S00-T98"},
        "循環器": {"I00-I99"},
        "消化器": {"K00-K93"},
    }
    target_ranges = compatibility_map.get(procedure_category, set())
    if not target_ranges:
        return True  # マッピング未定義のカテゴリは通過

    for r in target_ranges:
        start, end = r.split("-")
        if start[:1] <= icd10_code[:1] <= end[:1]:
            return True
    return False

Layer 2: 算定日数・回数の上限チェック

リハビリテーション料には疾患別に算定日数上限が設定されている（脳血管疾患等: 180日、運動器: 150日、呼吸器: 90日、心大血管: 150日）。この上限超過は返戻の典型パターンだ。

# Claude Code に Layer 2 を追加実装させるプロンプト例
# 動作環境: Claude Code v2.1.128 / Claude Opus 4.6

# Claude Code のセッション内で以下を入力:
# （プロジェクトルートで claude を起動した状態）

# プロンプト:
"check_consistency.py に Layer 2 を追加して。
リハビリテーション料の算定日数上限チェック。
- 脳血管疾患等リハ: 180日
- 運動器リハ: 150日
- 呼吸器リハ: 90日
- 心大血管リハ: 150日
data/master/procedure_master.csv の limit_days カラムを参照。
発症日は receipt の onset_date カラム。
上限超過は CRITICAL、残り30日未満は WARNING で出力して。
テストも pytest で書いて。"

このプロンプトをClaude Codeに渡すと、check_consistency.pyにLayer 2の関数が追加され、対応するtests/test_check_consistency.pyも自動生成される。CLAUDE.mdに「テストはpytest、カバレッジ80%以上」と書いてあるため、Claude Codeはテストファイルも同時に生成する。

Layer 3: 併算定禁止ルール

同一日に同時算定できない検査・処置の組み合わせをチェックする層だ。combined_rules.csvにルールを定義し、Claude Codeにチェックロジックを実装させる。ルールタイプは2種類:

• EXCLUSIVE: 絶対に同時算定不可（例: 同一部位への重複検査）
• CONDITIONAL: 条件付きで算定不可（例: 同一月に2回以上の場合のみ）

全層の統合実行

# 3層チェックの実行例
# 動作環境: Ubuntu 24.04 / Python 3.12.3

# 1. 匿名化
export RECEIPT_HASH_SALT="facility-specific-salt-value"
python scripts/anonymize.py data/raw/receipts_202605.csv data/input/receipts_202605.csv

# 2. 3層チェック実行
python scripts/check_consistency.py 
  --input data/input/receipts_202605.csv 
  --master data/master/ 
  --output data/output/check_result.csv

# 3. レポート生成
python scripts/generate_report.py 
  --input data/output/check_result.csv 
  --output data/output/report.md

# 実行結果例（200床想定・1,500件）:
# Layer 1: CRITICAL 12件, WARNING 23件
# Layer 2: CRITICAL 3件, WARNING 8件
# Layer 3: WARNING 15件
# 合計: CRITICAL 15件, WARNING 46件, INFO 22件
# 処理時間: 約4.2秒（M2 MacBook Air、試算値）

Step 4: Claude Codeでの反復改善ワークフロー

返戻フィードバックによるルール進化

レセプト点検の精度は、返戻された実績データをフィードバックすることで向上する。以下は、返戻レセプトのCSVをインプットとしてCLAUDE.mdのルールを更新するワークフローだ。

1. 返戻データの取得: 審査支払機関から返却されたレセプトのCSVをdata/feedback/に配置
2. 返戻理由の分析: Claude Codeに「返戻CSVを読んで、現在のチェックルールで検出できなかったパターンを分析して」とプロンプト
3. ルール追加: 分析結果に基づきCLAUDE.mdに新ルールを追記
4. スクリプト更新: Claude Codeに「CLAUDE.mdの新ルールに合わせてcheck_consistency.pyを更新して」とプロンプト
5. 回帰テスト: 過去の返戻データをテストケースとしてpytestで回帰テストを実行

# 返戻フィードバックの実行例
# 動作環境: Claude Code v2.1.128 / Ubuntu 24.04

# 1. 返戻データを配置
cp /path/to/returned_receipts_202605.csv data/feedback/

# 2. Claude Code セッション内で分析を依頼
# プロンプト:
"data/feedback/returned_receipts_202605.csv を読んで、
data/output/check_result.csv と突合し、
現在のチェックで検出できなかった返戻パターンを分析して。
新しいルールをCLAUDE.mdに追記する形で提案して。"

# 3. Claude Codeが提案したルールをレビュー後、承認
# → CLAUDE.md が更新される
# → check_consistency.py に新チェック関数が追加される
# → tests/ に新テストケースが追加される

# 4. 回帰テスト
python -m pytest tests/ -v --cov=scripts --cov-report=term-missing

auto modeの活用: 繰り返し実行の効率化

Claude Code v2.1.83以降で利用可能なauto mode（リサーチプレビュー）を使えば、安全なアクション（ファイル読み取り、テスト実行）は自動承認され、ファイル書き込みなどリスクのあるアクションのみ確認を求められる（出典: Claude Code What's New — Week 13, 2026年3月）。月次のレセプト点検を定型化する際に有用だ。

ただし、--dangerously-skip-permissionsは医療データを扱うプロジェクトでは絶対に使わないこと。患者データの匿名化パイプラインを迂回するリスクがある。

Routinesによるスケジュール実行

Claude Code Routines（2026年4月リサーチプレビュー公開）は、スケジュール起動やGitHubイベントトリガーに対応している（出典: Claude Code What's New — Week 16, 2026年4月）。「毎月10日にレセプトCSVが配置されたらチェック実行 → 結果をSlackに通知」のようなワークフローが、ローカルマシンの起動状態に依存せずクラウド上で実行できる。

想定シミュレーション: 200床急性期病院のケース

前提条件

項目	値
病床数	200床（急性期）
月間レセプト件数	約1,500件（入院200件＋入院外1,300件）
診療科	内科・外科・整形外科・眼科
医事課人員	5名（うちレセプト点検担当2名）
既存ツール	ORCA + 市販レセプトチェックソフト
現状の返戻率	約2.5%（月間約38件）
点検工数	週12時間（2名で分担）

試算結果

※以下の数値はすべて試算であり、実際の効果は施設環境に依存します。測定環境: 上記前提条件のモデルケースに対し、3層チェックアーキテクチャを適用した場合のシミュレーション。

指標	導入前（現状）	導入後（試算）	改善率
返戻件数（月間）	約38件	約23件（試算）	40%削減
点検工数（週）	12時間	4時間（試算）	67%削減
返戻1件あたりの再請求コスト	約3,000円	—	—
月間コスト削減効果	—	約4.5万円（試算）	—
Claude Code Max月額	—	約6万円（2名分）	—

ROI試算の正直な評価

上記の通り、Claude Code Max 2名分の月額（約6万円）に対してコスト削減効果は約4.5万円で、直接的な金銭ROIだけ見ればマイナスだ。しかし、このパターンの本質的な価値は別の場所にある:

• 属人化リスクの解消: ベテランの暗黙知がCLAUDE.mdに明文化される。退職・異動時の引き継ぎコスト（通常3-6ヶ月）が大幅に短縮される
• 点検工数の再配分: 週8時間の削減分を、高単価のDPC分析や施設基準の最適化に振り向けられる
• 学習効果: 返戻フィードバックによるルール進化で、点検精度が月次で向上し続ける

段階的導入のロードマップ

Phase 1（1-2ヶ月目）: 環境構築とPoCブランチ

まずは1診療科（内科推奨）に限定してPoCを実施する。匿名化パイプラインの構築、CLAUDE.mdの初期設計、Layer 1のみの実装が目標だ。

• 匿名化スクリプトのセキュリティレビュー
• 内科レセプト100件で整合性チェックの精度検証
• 既存レセプトチェックソフトとの結果比較
• 情報セキュリティ部門との運用ルール合意

Phase 2（3-4ヶ月目）: 全診療科展開とLayer 2-3実装

PoCで検証した内科のルールセットを他診療科に展開する。Layer 2（算定日数チェック）とLayer 3（併算定禁止ルール）を追加実装する。

• 診療科ごとのCLAUDE.md分割（内科.md、外科.md等をinclude）
• 返戻フィードバックループの月次運用開始
• 医事課スタッフ向けClaude Code操作研修

Phase 3（5-8ヶ月目）: Routinesによる自動化と高度化

Claude Code Routinesを活用し、月初のレセプト点検を半自動化する。

• Routinesによる月次自動チェックの設定
• DPC分析との連携（高額レセプトの重点チェック）
• ダッシュボード構築（返戻率の推移可視化）

よくある失敗パターンと回避策

失敗1: 匿名化せずにClaude Codeにデータを渡す

❌ NG: レセプトCSVをそのままdata/input/に置いてClaude Codeを起動する。Claude Codeのコンテキストウィンドウに患者名・生年月日が載り、ログにも残る。

⭕ 正解: 必ずanonymize.pyを通してからdata/input/に配置する。Claude Codeの.claude/settings.jsonでraw dataディレクトリへのアクセスを禁止する設定を追加する。

# .claude/settings.json の例
# 動作環境: Claude Code v2.1.128
{
  "permissions": {
    "deny": [
      "Read(data/raw/**)",
      "Edit(data/raw/**)"
    ]
  }
}

失敗2: CLAUDE.mdにルールを書かずにプロンプトだけで指示する

❌ NG: 毎回のセッションで「リハビリの算定日数上限をチェックして」と口頭指示。セッションが変わるとルールが失われ、チェック漏れが発生する。

⭕ 正解: CLAUDE.mdにルールを網羅的に記載する。Claude Codeはセッション開始時にCLAUDE.mdを自動読み込みするため、ルールの抜け漏れが起きない。ルール追加時はCLAUDE.mdへの追記 → git commitで変更管理する。

失敗3: 既存レセプトチェックソフトを完全に置き換えようとする

❌ NG: Claude Codeで全チェックを賄い、既存の専用ソフトを解約する。Claude Codeは汎用エージェントであり、レセプト専用ソフトが持つ「全国の審査傾向DB」「薬価マスタの自動更新」等の機能は持たない。

⭕ 正解: 既存ソフト（定型チェック）＋ Claude Code（施設固有の暗黙ルール＋返戻フィードバック学習）の2層運用。Claude Codeは「既存ソフトが拾えないエッジケース」を補完する位置づけにする。

失敗4: --dangerously-skip-permissionsで全自動化する

❌ NG: 月次バッチをclaude --dangerously-skip-permissions "レセプトチェック実行して"で完全自動化。ファイル書き込み・外部コマンド実行が無制限になり、匿名化パイプラインの迂回や意図しないデータ送信のリスクがある。

⭕ 正解: auto mode（v2.1.83以降）を使い、安全なアクションのみ自動承認する。ファイル書き込みは都度確認が入る設計にする。医療データを扱うプロジェクトでは、--dangerously-skip-permissionsは原則禁止をCLAUDE.mdに明記する。

セキュリティと法的考慮事項

個人情報保護法への対応

日本の個人情報保護法（2022年改正）では、医療情報は「要配慮個人情報」に分類される。Claude Codeで処理する場合、以下の3点を確認する必要がある:

1. 利用目的の特定・通知: レセプト点検の品質向上目的での匿名加工情報の利用であることを院内規定に明記
2. 安全管理措置: 匿名化処理の実施、アクセスログの記録、Claude Codeのログ管理
3. 第三者提供の制限: 匿名化済みデータであっても、Anthropic APIへの送信はクラウド利用規約の確認が必要（ローカル実行のClaude Code Maxであれば、データはローカルに留まる）

HIPAA対応（海外展開時の考慮）

Anthropicは2026年1月にClaude for Healthcareの一環としてHIPAA対応を発表し、BAA（Business Associate Agreement）の締結が可能になった。Epic、Banner Health、Novo Nordisk等がパートナーとして名を連ねている（出典: Anthropic — Advancing Claude in healthcare and the life sciences, 2026年1月11日）。

日本国内の医療機関でも、海外拠点を持つ場合やグローバル治験データを扱う場合にはHIPAA準拠が求められるケースがある。Claude for Healthcareのコネクタ（ICD-10コード検索、CMS Coverage Database等）は、こうしたユースケースで直接活用できる。

Anthropicの医療分野パートナーシップ

2026年4月にはAnthropicが「Claude Code for Healthcare」ウェビナーを開催し、救急医のDr. Graham Walker（MDCalc共同創設者）とDr. Michał Nedoszytko（循環器内科医）が登壇した（出典: Anthropic Webinars, 2026年4月23日）。医師自身がClaude Codeで臨床ツールを構築する事例が紹介されており、「エンジニアでなくてもClaude Codeで医療ワークフローを自動化できる」方向にエコシステムが動いていることが読み取れる。

実装スタックまとめと技術選定の根拠

推奨スタック

コンポーネント	技術	選定理由
コーディングエージェント	Claude Code v2.1.x + Claude Opus 4.6	CLAUDE.mdによるルール管理、auto modeによる安全な自動化
データ処理	Python 3.12 + pandas	医療情報系のデファクト、CSV/Excel処理の実績
テスト	pytest + pytest-cov	CLAUDE.mdで指定するカバレッジ基準との親和性
マスタデータ	CSV（厚生労働省公開データ）	更新頻度が低く、DBを立てるまでもない
バージョン管理	Git	CLAUDE.mdのルール変更履歴を追跡
匿名化	SHA-256（ソルト付き）	可逆性なし、同一患者の紐付けは維持

なぜDBではなくCSVなのか

マスタデータの更新頻度は診療報酬改定時（2年に1回）が主で、随時追補を含めても月1回程度。この頻度であればCSVで十分であり、PostgreSQL等を立てるオーバーヘッドは正当化しにくい。ただし、月間レセプト件数が5,000件を超える大規模病院では、SQLiteへの移行を検討すべきだ。

他業界への横展開可能性

「マスタ×トランザクション整合性チェック」の汎用パターン

「マスタデータとトランザクションデータの整合性チェック」というアーキテクチャは、医療に限らず多くの業界で発生する:

• 金融: 与信審査のルールチェック（→ 関連記事: 銀行コンプライアンス審査の書類処理をClaude Codeで85%削減した実装事例）
• 製造業: 品質検査の規格値チェック（→ 関連記事: 製造業の生産管理データを自動化｜大手工場が工数85%削減した実装事例）
• 物流: 配送伝票と在庫データの突合（→ 関連記事: 物流配車の最適化でルート工数55%削減｜Claude Code導入の中堅物流業者事例）

共通するのは「CLAUDE.mdにドメインルールを自然言語で記述し、Claude Codeにバリデーションコードを生成させる」というアプローチだ。ルールの複雑さと属人化度が高いほど、このパターンの効果が大きくなる。

まとめ: 今日から始める3つのアクション

1. CLAUDE.mdを書く: 自施設のレセプト点検で「ベテランしか知らないルール」を3つ選び、自然言語でCLAUDE.mdに記述する。完璧を目指さなくてよい。Claude Codeとの対話で徐々に精緻化できる
2. 匿名化パイプラインを構築する: 本記事のanonymize.pyをベースに、自施設のCSVフォーマットに合わせた匿名化スクリプトを作る。情報セキュリティ部門のレビューを必ず通すこと
3. 1診療科×100件でPoCを実行する: 内科の直近1ヶ月分レセプト100件で、Layer 1の整合性チェックを動かしてみる。既存レセプトチェックソフトの結果と比較して、Claude Codeが「拾えたもの」「見逃したもの」を記録する

次回予告: 電子カルテ（EMR）とClaude Codeの連携パターン — HL7 FHIR APIを使った臨床データの構造化と、診療支援ツールの実装事例を解説予定。

参考・出典

• Anthropic「Advancing Claude in healthcare and the life sciences」(2026年1月11日) — https://www.anthropic.com/news/healthcare-life-sciences（参照: 2026年5月15日）
• Anthropic「Claude Code for Healthcare: How Physicians Build with AI」ウェビナー (2026年4月23日) — https://www.anthropic.com/webinars/claude-code-in-healthcare-how-physicians-are-building-with-claude（参照: 2026年5月15日）
• Claude Code Docs「What's new」(2026年5月) — https://code.claude.com/docs/en/whats-new（参照: 2026年5月15日）
• 社会保険診療報酬支払基金「AIによるレセプト振分機能について」— https://www.ssk.or.jp/smph/shinryohoshu/gyomuflow/ai_furiwake.html（参照: 2026年5月15日）
• 厚生労働省「オンライン請求への移行に向けて」(令和6年5月版) — https://www.mhlw.go.jp/content/12400000/001253142.pdf（参照: 2026年5月15日）
• Anthropic「Claude Code — What's New Week 13: Auto Mode」(2026年3月) — https://code.claude.com/docs/en/whats-new（参照: 2026年5月15日）

あわせて読みたい

• 病院の電子カルテ要約をClaude Codeで時短｜医師の記録時間を70%削減する想定シナリオ
• 銀行コンプライアンス審査の書類処理をClaude Codeで85%削減した実装事例
• 製造業の生産管理データを自動化｜大手工場が工数85%削減した実装事例
• 物流配車の最適化でルート工数55%削減｜Claude Code導入の中堅物流業者事例

---

関連記事（自動）

• ▸ 【2026年最新】介護事業所のClaude Code活用｜ケアプラン・記録・家族説明資料の自動化
• ▸ 【2026年最新】美容クリニックの予約・カウンセリングをClaude Codeで
• ▸ 【2026年最新】製薬の文献監視をClaude Codeで自動化
• ▸ クリニック予約業務をClaude Codeで整理｜受付FAQと日次レポート自動化の実装例