English 
有望な医薬品であっても、開発には数年を要することがあるが、研究者が十分な数の適格患者を見つけられないため、臨床試験の進展が滞ることがある。これは、製薬業界や医療機器業界が依然として直面している問題だ。 従来の被験者募集は、病院からの紹介、手作業によるカルテの確認、あらかじめ定められたスクリーニング基準に大きく依存している。その結果、カルテにすでに適切な臨床情報が記載されているにもかかわらず、適格な患者が見過ごされてしまうことがある。AIを活用した臨床試験のマッチング技術は、研究者がこの課題に取り組む方法を変えつつある。しかし、その真の価値は、患者データをいかに正確に解釈し、適格性を評価し、臨床上の意思決定を支援できるかにかかっている。.
AIによる臨床試験のマッチングが、実際にはどのように機能しているのか
従来の患者スクリーニングは、主にブール検索やあらかじめ定義されたデータベースクエリに依存している。 研究者は、特定の用語、診断コード、あるいは病状の組み合わせを入力して、候補となり得る患者を特定する。しかし、このアプローチには大きな限界がある。患者の完全な病歴を理解することなく、適切なキーワードを含む記録のみを抽出してしまうのだ。例えば、化学療法に関する記述があっても、治療がいつ行われたのか、あるいはそれが特定の研究への参加資格を喪失させる要因となるかどうかは判断できない。.
AIを活用した臨床試験のマッチングは、より文脈に即したアプローチを採用している。自然言語処理（NLP）、固有表現抽出（NER）、機械学習により、システムは臨床文書内の疾患、治療法、薬剤、およびそれらの関連性を特定することができる。 例えば、マイクロソフトの「Text Analytics for Health」は、エンティティ認識、関係抽出、断定検出、エンティティリンクを活用して、臨床記録や試験プロトコルを処理する。これにより、システムは確定診断、除外された疾患、過去の治療記録を区別することが可能になる。. Microsoft’s 技術文書では、これらの機能について解説している。.
さらに重要なのは、現代のシステムは構造化されたICD-10コード以外の情報も分析できる点だ。病理報告書、医師の所見、ゲノム検査結果、画像診断の要約などには、標準的なデータベース検索では見落とされがちな詳細情報が含まれている可能性がある。 大規模言語モデル（LLM）はこの文脈を解釈でき、一方、検索拡張生成（RAG）は評価を生成する前に、関連する情報源を検索する。これにより、モデルの生成した応答に完全に依存するのではなく、実際の臨床記録に基づいた出力が得られる。.
Google’s BigQuery architectureは、もう1つの有用な例を示している。同システムの臨床研究シナリオでは、埋め込み生成、自然言語処理AI「AI.SEARCH」、および数千件に及ぶ臨床試験文書を対象としたハイブリッド検索が活用されている。セマンティック検索と完全なキーワード一致を組み合わせることで、このシステムは関連する医学的概念を特定しつつ、技術的な識別子に対する精度を維持することができる。Googleが2026年8月に発表した論文で、このアプローチについて解説されている。.
次のステップは適格性評価だ。過去6ヶ月以内に化学療法を受けた患者を除外する臨床試験を例に考えてみよう。 システムは治療歴を精査し、関連する日付を特定して、プロトコルの要件と照合しなければならない。その後、入手可能なエビデンスと適合確率に基づいて、候補者をランク付けすることができる。ただし、適合スコアが高いからといって、参加適格性が確定したものとみなしてはならない。情報が欠落していたり、臨床所見が不確実な場合は、依然として人間による審査が必要だ。.
採用スピードと研究成果に与える測定可能な影響
従来の被験者募集プロセスは、多くの場合、臨床試験実施施設がプロトコルを受け取った後に始まる。その後、研究コーディネーターが病院の記録を検索し、医師に連絡を取り、患者の病歴を手作業で確認する。このため、被験者募集は時間がかかり、個々の研究チームの対応能力に大きく左右される。AIを活用した臨床試験マッチングは、研究者が被験者への働きかけを始める前に、既存の臨床データから潜在的な患者コホートを特定することで、このプロセスを逆転させる機会を生み出す。.
しかし、患者データベースの規模が、必ずしも被験者募集における有用性を決定づけるわけではない。. AWS ノボ ノルディスクに関する事例が紹介された。この事例では、研究者らが4つの実世界データカテゴリーにまたがる1,175人のトークン化された臨床試験参加者を分析した。あるカテゴリーでは、11%人の参加者について何らかの関連データが入手可能であったが、調査対象の変数に対して完全に利用可能な記録を持っていたのは1%人だけだった。 この発見は、臨床試験の実現可能性評価において、データの網羅性とデータの有用性との間に大きな隔たりがあることを浮き彫りにした。AWSの2026年10月版臨床試験レポートでは、この事例について論じられている。.
この区別が重要なのは、患者を特定するのはあくまで始まりに過ぎないからだ。研究者は、その患者がプロトコルの要件を満たしているかどうかを判断するために、十分に完全な記録を必要とする。したがって、AIによるマッチングでは、被験者の募集スピードだけでなく、データの質も考慮に入れなければならない。.
この技術は、より代表的な被験者の募集にも寄与し得る。従来の紹介ネットワークでは、大規模な大学病院を受診する患者や、すでに専門医療へのアクセスを持っている患者が優先されがちだ。AIを活用すれば、参加している地域診療所やさまざまな医療ネットワーク全体から適格な個人を特定することで、対象範囲を広げることができる。とはいえ、それによって紹介バイアスが自動的に解消されるわけではない。 基礎となる記録に反映されている患者層、検査へのアクセス状況、および記録の質は、依然としてシステムが誰を特定するかに影響を及ぼす。.
同様に、研究者は過去の患者データを用いて、試験開始前に除外基準が不必要に厳格ではないか検討することができる。特定の要件によって、本来は対象となり得る患者コホートの大部分が除外されてしまう場合、試験設計者はそれらの制限が科学的に正当化されるかどうかを見直すことができる。これにより、回避可能なスクリーニング不通過を減らし、被験者募集の実現可能性を高めることができる。しかし、マッチングを改善するだけでは、患者の継続参加を保証することはできない。 試験の複雑さ、治療の負担、そして患者が参加を継続できる能力は、依然として重要な考慮事項である。.
実環境での導入と臨床ワークフローへの統合
たとえ正確な照合システムであっても、それを利用することが想定される病院や臨床チームとは切り離して運用されては、その機能は十分に発揮できない。患者記録は、さまざまな部署や電子カルテ（EHR）プラットフォーム、専門システムに分散して管理されている。したがって、相互運用性は、導入を成功させるための中心的な要件となる。.
2026年9月に公表された、マイクロソフトが委託したOnePollの調査によると、 97% 調査対象となった医療分野のリーダーのうち、データのサイロ化がすでにタイムリーな医療の提供に支障をきたしていると回答した。この調査は、7カ国にわたる500人の医療分野の意思決定者を対象としたものだ。この調査結果は医療全般に関わるものであるが、臨床研究システムが解決すべきデータの断片化という課題を浮き彫りにしている。マイクロソフトの医療データ調査が、この調査結果を示している。.
HL7 FHIRやSMART on FHIRといった標準規格は、医療アプリケーションと既存の臨床システムを連携させるのに役立つ。研究者が複数のデータベースを行き来する必要がなく、統合されたソリューションにより、承認された臨床医のワークフロー内で関連する臨床試験の機会を提示することができる。ただし、統合の設計には細心の注意を払う必要がある。 アラートが多すぎると診察の妨げとなり、アラート疲労を引き起こし、臨床医が関連性の高い推奨事項さえも無視してしまう原因となる。.
したがって、AIを活用した臨床試験のマッチングは、臨床意思決定支援の「コパイロット」として機能すべきである。. AWS この仕組みは、3つの専門エージェントからなるアーキテクチャを通じて説明されている。1つは予備スクリーニングを担当し、もう1つは詳細な適格基準を評価し、3つ目は試験実施施設や被験者登録の運営面を支援する。このシステムは、基準レベルの根拠、信頼度スコア、および患者記録への引用を裏付けとして、「適格」「不適格」「再審査が必要」という推奨結果を生成する。 最終的な決定権は臨床医が保持するが、ワークフローでは監査証跡を通じて一連のアクションが記録される。AWSの2026年8月のアーキテクチャで、このモデルが説明されている。.
新たに非小細胞肺がん（NSCLC）と診断された患者を治療する腫瘍センターを例に考えてみよう。腫瘍ボードによる検討の際、マッチングシステムは各患者の診断、病期、ゲノム検査結果、治療歴を精査することができる。その後、これらの記録をバイオマーカー別の臨床試験プロトコルと照合し、関連する研究を特定することができる。 臨床研究コーディネーター（CRC）は、関連記録を確認し、不足している情報を特定した上で、患者が予備要件を満たしているかどうかを検証する。最後に、主任研究者（PI）が臨床的適格性を評価し、その後の手順を監督する。患者は、必要な同意および適格性審査の手続きを経て初めて、試験に参加することになる。.
ここで テクノロジー 有用となる。これにより、患者ケアを担当する者が臨床的判断を下しつつ、有望な候補者を探す手間を軽減できる。.
信頼、ガバナンス、および規制上のガードレール
診療記録には、患者が医療提供者に開示する情報の中でも特に機密性の高いものが含まれている。したがって、AIを活用した臨床試験のマッチングは、厳格なプライバシーおよびセキュリティ管理の下で運用されなければならない。これには、個人識別情報（PII）の保護、保護対象医療情報（PHI）の保護、および患者記録へのアクセス権限の管理が含まれる。.
米国では、HIPAAが、対象機関およびその業務提携先による保護対象健康情報の取り扱い方法を規定している。研究者や技術プロバイダーは、こうしたデータを処理する際に適切な保護措置を講じなければならない。また、識別可能な情報が不要な場合には、非識別化を行うことでリスクを低減することもできる。 米国保健社会福祉省（HHS）は、HIPAAの下で「専門家による判断」と「セーフハーバー」という2つの方法を認めている。しかし、明らかな識別子を削除したからといって、再識別されるリスクがすべて自動的に排除されるわけではない。HHSの非識別化に関するガイダンスでは、これらの要件について説明されている。.
同様に、GDPRは欧州連合（EU）内の関連する法的適用範囲における個人データの処理に適用される。組織は、適切な法的根拠を確立し、機密情報を保護し、適用されるデータ主体の権利を尊重しなければならない。一方、ゼロトラストセキュリティアーキテクチャは、単に病院のネットワーク内で動作しているという理由だけでユーザーやシステムを信頼できるものと見なすのではなく、認証を義務付けることで、アクセス制御を強化する。.
しかし、データセキュリティは問題の一部にしか対処していない。. AIモデル 医療用語を誤って解釈したり、重要な文脈を見落としたり、根拠のない結論を導き出したりする可能性がある。したがって、すべての推奨事項には説明可能な経緯が示されていなければならない。研究者は、どの適格基準が一致を引き起こしたか、それを裏付ける正確な臨床的根拠、およびどの要件が依然として不確実であるかを確認できる必要がある。これにより、CRCやPIは、AIが生成したスコアを無条件に受け入れるのではなく、誤った評価に対して異議を唱えることができる。.
アルゴリズムのバイアスについても、継続的な注意が必要だ。主に大都市の病院の記録を用いて学習されたモデルは、小規模な診療所や、データが十分に収集されていない患者集団の診療記録を処理する際、異なる結果を示す可能性がある。したがって、組織はさまざまな患者グループにわたってモデルの性能を検証し、誤った一致や除外を監視するとともに、臨床データの変化に伴い性能に生じる変化を検証する必要がある。.
規制の整合化により、説明責任の層がさらに一つ加わる。FDAの「機械学習の適正実施指針（GMLP）」は、AIを活用した医療機器のライフサイクル全体にわたる、安全で効果的かつ高品質な開発を重視している。EUのAI法もまた、該当する医療機器関連のAIを含む、特定の高リスクAIシステムに対する要件を定めている。 しかし、すべての臨床マッチングアプリケーションが自動的に同じ規制カテゴリーに分類されるわけではない。その意図された目的と規制上の地位が重要となる。FDAのGMLP原則とEU AI法は、関連する基盤を提供している。.
結局のところ、信頼は、そのシステムが推奨内容を説明できるか、患者情報を保護できるか、そして評価が誤っていた場合に責任を負えるかどうかにかかっている。.
こちらもお読みください： UCB、Veeva Vaultを活用してCRM機能を拡充
結論
AIを活用した臨床試験のマッチングは、患者情報を関連する臨床試験と結びつけることで、臨床研究の対応力を高めることができる リサーチ 機会だ。しかし、この業界が直面する最大の課題は、単に候補者をより多く見つけることではない。それは、候補者の中から、医学的に適格な参加者を特定できるシステムを構築することだ。.
次の段階では、マルチモーダルAIがゲノミクス、ラジオミクス、および縦断的な電子カルテ（EHR）データと統合される一方、分散型臨床試験によって、従来の研究拠点以外の場所でも研究へのアクセスが広がる可能性がある。とはいえ、いずれの進展も、完全な記録、現実的なプロトコル、そして臨床上の監督の必要性をなくすものではない。真の進歩は、研究チームが単に既存のプロセスを迅速化するだけでなく、AIを活用してより適切な被験者募集の判断を下せるようになったときに実現するだろう。.
日本語