臨床試験の患者募集でAIが失敗する理由

課題

貴社のAIが、日常的な点滴ラインと開心術を取り違えたため、治験の適格基準を満たす患者を誤って除外してしまいました。これは決して仮定の話ではありません。治験マッチング向けAIを評価した複数の研究により、モデルが「心臓カテーテル検査は中心静脈穿刺と同じである」と誤って結論付け、本来適格であるはずの患者を除外している実態が明らかになっています。一方の手技は閉塞を診断するためにカテーテルを心臓に通すものであり、もう一方は薬剤を投与するために大静脈にラインを留置するもので、ベッドサイドで実施されることも少なくありません。両者に共通するのは「カテーテル」という単語だけであり、類似点はそれ以上存在しません。

しかし、汎用AIはその違いを理解していません。「カテーテル」「静脈」「穿刺」といった重複する単語を検知し、表層的な類似性に基づいてひとまとめにしてしまいます。その結果、患者を不適格と判定し、貴社のチームがその患者のカルテを再確認することは二度となくなります。このエラーが何千もの患者記録に積み重なれば、治験の約80%が登録期限を守れない理由が見えてきます。業界に不足しているのは適切な疾患を持つ患者ではなく、名称は似ていても臨床的意味が全く異なる2つの手技を識別できるAIです。貴社のスクリーニングツールは、適格な患者を拒絶し、不適格な対象者に時間を浪費しています。

事業への重大な影響

治験のスケジュールが1日遅れるごとに、二度と取り戻せない損失が発生します。タフツ医薬品開発研究センター（Tufts CSDD）の最新分析によると、高収益を誇る主力新薬の場合、治験が1日遅延するごとに処方箋売上高ベースで約80万ドルの損失が生じます。循環器系治療薬ではその額は1日あたり140万ドルに達し、血液疾患領域では1日あたり130万ドルに上ります。

これらは単なる運用コストではありません。特許独占期間中、すなわち医薬品が最大の収益を生み出す唯一の期間における売上の逸失です。

組織全体で損失がどのように連鎖するかをご覧ください：

• 直接的な運用費用の浪費： 治験実施施設の維持、データモニタリング、CRO契約の継続により、第II相および第III相試験では1日あたり約4万ドルの費用が加算されます。
• スクリーニング失敗による無駄： スクリーニング段階に進んだものの最終的に不適格となった患者1人につき、約1,200ドルの費用が発生します。AIが誤ったマッチングを治験コーディネーターに大量に提示すると、これらのコストは瞬く間に膨れ上がります。
• 実施施設の目標未達： 研究施設の約37%が登録目標に達せず、11%は1人の患者すら登録できずに終了しています。AIによる不適切なマッチングがその主因となっています。
• 競争優位の喪失： 非小細胞肺癌や急性骨髄性白血病のような競合の激しい適応症では、最初に承認された医薬品が市場の大半を獲得します。患者募集の遅れによる6か月の遅延は、科学的に優れた医薬品を商業的な大失敗に変えてしまう可能性があります。

取締役会から治験遅延の理由を問われた際、「AIが静脈カテーテルと心臓手術を混同したため」と弁明することは許されません。

舞台裏で実際に起きていること

このように考えてみてください。誰かにカルテが詰まったキャビネットを渡し、治験に適格な患者を探すよう依頼したとします。しかし、その担当者は意味を理解しながら読むのではなく、膨大な文書に対してCtrl+Fを使うように、特定の単語を検索します。除外リストに「心臓カテーテル検査」とあり、患者カルテに「中心静脈カテーテル」と記載されていれば、単語一致エンジンが一致を検知し、患者は即座に除外されます。

これは、旧来のキーワード検索であれ、最新の大規模言語モデル（ChatGPTなどの背後にあるLLM技術）であれ、現在のほとんどのAIツールが動作している仕組みそのものです。LLMはより高度ですが、依然として単語の近接性に基づいて動作します。その内部の数学的空間において、「心臓カテーテル検査」と「中心静脈カテーテル挿入」は非常に近い位置に存在します。どちらもカテーテルを使用し、どちらも血管系に関係するためです。これらの手技が医学的分類体系の全く異なる枝に位置することをAIに教える構造化された医療知識ベースがなければ、AIは両者を混同してしまいます。

技術白書ではこれを「適合率ギャップ（precision gap）」と呼んでいます。これにより、「自動化が進むほど効率が低下する」という逆説が生じます。ツールが100人の候補患者を提示しても、真に適格な患者が5人しかいなければ、治験コーディネーターは信頼を失います。ツールの使用をやめ、手作業によるカルテ確認に戻ってしまいます。貴社はチームの作業を遅らせるAIに対価を支払ったことになります。

根本的な問題は、LLMが次に来る確率の高い単語を予測しているに過ぎない点です。医療的事実について論理的に推論しているわけではありません。質問の表現方法によって、同じ問いに対して異なる回答を返すことがあります。治験には100%再現可能な監査証跡が不可欠です。規制当局は、各患者がなぜ採用または除外されたのか、その正確な根拠を把握する必要があります。確率は証明にはなりません。

有効な手法と失敗する手法

期待に応えられない3つの一般的なアプローチ：

• キーワードマッチングとPDFパーサー： 適格性の判断を言葉探しのように扱います。「カテーテル」という単語を共有する心臓手技と静脈手技を区別できません。
• 汎用LLMラッパーAPI： 患者データを大規模言語モデルに送信して適格性を推測させます。これらはハルシネーション（幻覚）を起こし、カルテに存在しない診断名や許可事項を捏造することがあります。また、保護対象保健情報が外部サーバーに送信されることで、データプライバシーのリスクも生じます。
• 構造化フィールドのブール値フィルター： チェックボックス（例：「高血圧＝TRUE」）を判定しますが、除外例外条項を解釈できません。「高血圧患者を除外する。ただし、安定した投薬により3か月以上良好にコントロールされている場合を除く」というプロトコルは、一律の除外判定となってしまいます。適切にコントロールされている高血圧患者全員を逃すことになります。

真に機能するのは、「読み取り」と「推論」を明確に分離するニューロシンボリック・アーキテクチャです。以下の3つのステップで動作します：

1. 入力 — リーダー（読取部）： 言語モデルが非構造化データ（PDF、医師の経過記録、スキャンされた検査結果）を読み取ります。その唯一の任務はテキスト内の医療概念を特定することです。適格性の判断は行いません。「中心静脈穿刺」のような用語を抽出し、標準化された医療コードにマッピングします。
2. 処理 — マッパーおよび推論エンジン： 世界で最も詳細な臨床用語体系であるSNOMED CTに基づく医療関係の構造化マップ（知識グラフ）が、そのコードが医療階層のどこに位置するかを検証します。「中心静脈カテーテル挿入」は「静脈カテーテル手技」のサブタイプであり、「心臓に対する手技」のサブタイプではないことを確認します。その後、論理エンジンが時間的条件（「6か月以上前に完了」）や例外条項（「適切にコントロールされている場合」）を含む治験ルールを適用します。
3. 出力 — 監査証跡を伴う判定結果： システムは各基準に対して明確な適格または除外の判定を下します。すべての決定には、特定の医療コード、検証された階層パス、適用された論理ルールといった推論の証跡が付随します。コンプライアンスチームは、すべてのマッチングを個別に監査できます。

この監査証跡こそが、規制当局に承認されるシステムと疑問視されるシステムを分ける決定的な要素です。FDAやEMAから「なぜ患者4,072が治験に登録されたのか」と問われた際、正確な論理連鎖を提示できます。確率スコアしか提供しない汎用LLMでは不可能です。また、このアーキテクチャは患者データを安全な社内環境内に保持します。知識グラフと論理エンジンはローカルで稼働するため、保護対象保健情報がファイアウォールの外に出ることはありません。

すでに 知識グラフの構築と領域特化型医療オントロジーの設計を検討している組織にとって、これは基盤となるレイヤーです。そして、すべての決定が追跡可能な論理的証明を生み出すため、規制当局が急速に求めている 説明可能性と意思決定の透明性 の要件に直結します。

これは、AIの判断ミスの代償が患者の安全性、規制リスク、そして数億ドルの売上損失として跳ね返ってくる ヘルスケアおよびライフサイエンスの全領域において極めて重要です。

SNOMED CT階層の具体例や義務論理の定式化を含む完全な技術アーキテクチャについては、 完全な技術分析をお読みください。また、 インタラクティブ版の解説 で、ニューロシンボリック・マッチングが実際にどのように機能するかをご確認いただけます。