“`html

人工知能が臨床試験を変革するが、課題は依然として山積み

人工知能（AI）は、医療研究の加速、コスト削減、治療の効率向上を約束しながら、臨床試験の分野で徐々にその地位を確立しつつある。しかし、その導入には、単なる技術的な約束を超えた複雑な問題が浮上する。

試験プロトコルの策定において、AIは今や、研究者が提供する簡単な要約から自動的に複雑な文書を生成することができる。これにより、詳細なプロトコルを作成するために必要な時間が大幅に短縮される。以前は時間と手間がかかる作業だった。しかし、このスピードにはリスクも伴う。特に、薬剤や革新的なデザインに関する機密情報が、外部システムに入力された際に漏洩する可能性がある。一方、予測モデルは、過去のデータベースを分析し、被験者募集目標の達成能力や最適な適格基準の特定といった重要な運用結果を予測する。これらのツールは、コストのかかる失敗を回避するのに役立つが、その効果は使用されるデータの質と代表性に大きく依存する。

臨床試験における遅延の主要な原因の一つである被験者の募集も、AIの恩恵を受けている。高度なシステムが、医療文書を数百万件も短時間で分析し、適格な候補者を特定する。例えば、あるプラットフォームは、2週間足らずで8,300万を超える文書を処理し、数十億の標準化された医療用語を生成した。これらの技術により、手動によるスクリーニング時間が半分に短縮され、医療チームの負担が軽減される。また、多くの適格基準が、治療結果に影響を与えることなく、不必要に患者を排除していることも明らかになった。これらのルールを緩和することで、試験は安全性を維持しながら、2倍の参加者を受け入れる可能性がある。

しかしながら、これらのシステムの性能はまちまちである。一部のシステムは高い再現率を達成し、適格な患者の大多数を特定するが、精度が低く、適格でない候補者も含まれてしまう場合がある。逆に、非常に精度の高いシステムは、人間のレビューアの作業負荷を軽減するが、有効な患者を排除してしまうリスクがある。最近の進歩として、データの取得と生成を組み合わせたモデルでは、97％を超える正確性を示し、一部のタスクでは人間のコーディネーターを上回る結果が得られている。

データ分析は、AIが成果を上げているもう一つの分野である。AIは、ウェアラブルデバイスや医療画像から得られるような複雑なデータセットを処理し、これまでにない豊富な情報を提供する。しかしながら、従来の統計手法と現代的なモデルの間には議論が続いている。ロジスティック回帰のような従来の手法は、透明性が高く、各変数の影響を明確に理解することができる。一方、AIモデルは、しばしばより精度が高いものの、ブラックボックスとして機能し、その内部の推論を解読することが困難である。この不透明性は、臨床現場での採用にとって大きな課題であり、医師は、特に緊急の状況において、理解できない推奨に従うことをためらう。

アルゴリズムのバイアスは、もう一つの大きな障害である。システムは、トレーニングに使用されるデータが歴史的な格差を反映している場合、既存の不平等を永続化、あるいは拡大させてしまう可能性がある。例えば、米国で広く使用されている集中治療のニーズを評価するアルゴリズムは、過去の医療費を将来のニーズの指標として使用していたため、構造的な不平等によって白人患者を優遇し、黒人患者を不利に扱っていた。同様に、主に男性のデータでトレーニングされた心血管診断ツールは、症状が異なることが多い女性に対して精度が低下する。これらのバイアスは、公平な結果を保証するために、開発チームとデータセットの多様化の重要性を浮き彫りにする。

モデルの透明性もまた、重要な課題である。臨床医や患者は、特にそれが直接命に関わる決定である場合、その決定がどのように下されたのかを理解できる必要がある。LIMEやSHAPのような事後説明手法は、特定の予測に対して最も影響力のある要因を特定することで、モデルをより理解しやすくしようとしている。しかしながら、これらの説明は近似値にすぎず、誤解を招く可能性もある。決定木のような、本来解釈可能なように設計されたモデルは、代替手段を提供するが、その精度は複雑なモデルに劣る場合がある。

課題は技術的なものだけではない。臨床試験へのAIの統合は、未解決の倫理的および法的な問題も提起する。AIシステムが関与する医療ミスが発生した場合、誰が責任を負うのか？開発者、医療機関、臨床医、それとも患者か？この責任の分散は、「多くの手の問題」と呼ばれ、過失の帰属を複雑にし、患者を明確な救済手段なしに置く可能性がある。一部では、関与するすべてのアクターが責任を共有する集合的責任を提案しているが、このアプローチはまだ発展途上である。

データの所有権と患者の同意も問題を引き起こす。従来の臨床試験では、患者は自分のデータを特定の目的と期間に限って使用することに同意する。AIの場合、データはしばしばモデルのトレーニングと改善のために無期限に再利用されるため、データの所有権と管理に関する疑問が生じる。患者が自分の情報を細かく管理できるデータ主権モデルが、可能な解決策として登場しているが、大規模な実装は依然として複雑である。

分散型システム、例えば連合学習やブロックチェーンは、プライバシーとデータアクセスに関する障害を克服するための手段を提供する。連合学習は、機密情報を中央集権化することなく、複数の機関に分散されたデータでモデルをトレーニングすることを可能にする。しかしながら、このアプローチは、サイト間のデータの不均一性といった実用的な課題に直面しており、これがグローバルモデルの性能を低下させる可能性がある。一方、ブロックチェーンは、データの完全性とトレーサビリティを保証する可能性があるが、その採用は、スケーラビリティ、エネルギー消費、およびデータ保護規制（例えば「忘れられる権利」）との適合性といった問題に直面している。

AIがもたらすコスト削減と効率性の向上は、しばしば強調される。研究によれば、オンライン募集は患者あたりのコストを199ドルから72ドルに削減し、プロセスを大幅に加速させる。他の報告では、パイロット試験における登録時間が10～15％短縮されたとされる。しかしながら、これらの数字はしばしば産業界が資金を提供した研究や内部報告に由来しており、バイアスがかかっていたり、独立した検証が不足している可能性がある。厳密な経済分析は依然としてまれであり、利用可能な結果には重要な方法論的欠陥が見られる。

最後に、AIが臨床医の作業負荷と患者体験に与える影響は、両義的である。一部のツールは、面倒な管理作業を自動化し、直接的なケアに時間を割くことを可能にするが、他のツールは、生成された結果の継続的な検証が必要となるため、作業負荷を増加させる可能性がある。患者は、より正確な診断と個別化された治療への希望と、プライバシーの喪失や人間とのやり取りの減少への懸念の間で揺れ動いている。最近の調査によれば、アメリカ人の60％は、医療提供者が医療判断にAIを使用することに不快感を抱いている。

“`

Documentation et sources

Document de référence

DOI : https://doi.org/10.1007/s10791-026-10205-x

Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle