統語を超えて：臨床試験被験者募集における ニューロシンボリックAIとオントロジー駆動 フェノタイピングの要請

1. 被験者募集失敗の経済的・臨床的 危機

製薬業界は、前例のない科学的 能力と持続不可能な運用上の非効率性が交わる危うい交差点に立っている。創薬のメカニズムは ハイスループットスクリーニング、生成生物学、および 計算化学によって革命的に変革されたが、臨床的検証の仕組みは依然として旧弊な プロセスに縛られており、現代の治療薬の経済的存続を脅かしている。「イルームの法則（Eroom's Law）」という 現象——創薬が時間とともに遅くかつ高コストになり、 トランジスタ密度の向上に反比例するという観察——は、科学の失敗ではなく、 プロセスの失敗である。 ¹ この運用危機の中核にあるのは、持続的な 臨床試験適格患者の効率的な特定と募集の不能である。

現代の分析は、臨床試験の圧倒的多数——およそ 80%——が登録タイムラインを達成できないことを示している。 ² この統計は単なる遅延の指標ではない。それは 失われたイノベーションと先送りされた希望の定量器である。募集が停滞すると、医薬品の 開発パイプライン全体が停止し、財務リターン、 規制承認のタイムライン、そして最も重要な生命を救う治療への患者アクセスに波及する連鎖的失敗を生む。 このボトルネックに対する業界の現行アプローチは、しばしば 汎用PDFパーサーと「Ctrl+F」キーワード照合の展開に特徴づけられ、問題の根本的な 誤解を表している。我々は統語でがんを治そうとしているが、 治癒は意味論にある。

1.1 遅延の財務的計算

時間は製薬エコシステムにおいて単一で最も高価な資源である。特許 独占期間に支配される業界では、臨床開発で失われる一日は、ピーク収益創出期間から差し引かれる 一日である。試験遅延の財務的影響は、 直近の運用バーンレートをはるかに超えて広がる。正味現在価値（NPV）を侵食し、 当該資産の、研究 ポートフォリオの投資対効果（ROI）プロファイルを根本から変える。

Tufts Center for the Study of Drug Development（CSDD）が実施した研究は、このコストの 厳しく厳密な定量化を提供する。1990年代の歴史的推計はしばしば 遅延1日あたり$600,000から$8 millionという幅広い範囲を挙げていたが、 2024-2025年の経済情勢に精緻化された最新分析は、より精確で憂慮すべき像を示す。医薬品開発における 遅延1日の価値は現在、およそ $800,000の 処方売上損失 と推計される（平均的な高パフォーマンス資産）。 ⁴

しかしこの平均は、高価値治療領域に存在する極端な変動性を覆い隠す。 オンコロジー、循環器疾患、または血液学のブロックバスター適応では、遅延の コストは著しく高い。特定の遺伝的マーカーを標的とし精密な患者マッチングを要するニッチなオンコロジー療法は、 マーカーを標的とし精密な患者マッチングを要し、激しい競争圧力に直面する。遅延が わずか数か月でも「市場二番手」参入となり、喪失する数十億ドルの 市場シェアを製品のライフサイクル全体でもたらしうる。 ⁵

運用コストだけでも——治験実施施設の維持、データ監視、 CRO契約の継続という直接経費——第II相・第III相試験で1日あたりおよそ$40,000を加算する。 ⁴ しかし、 真のコストは機会費用である。非小細胞肺がん （NSCLC）や急性骨髄性白血病（AML）のような競争的適応では、複数の資産がしばしば同じ 規制上のゴールラインへ競う。先行参入者は通常、市場シェアの過半を獲得し、 標準治療を確立する。募集遅延により二番手となることは、科学的には優れた薬剤を 商業的に存続不能にする。

表1：治療領域別・臨床試験遅延の財務的影響

治療領域	遅延1日あたりの喪失売上 中央値（2023年米ドル）	運用複雑性 係数
循環器	$1.4 Million	高（大規模コホート、 複雑なモニタリング）
血液学	$1.3 Million	高（専門施設、稀少 フェノタイプ）
オンコロジー	$840,000	非常に高い（遺伝子 スクリーニング、複雑な 除外）
中枢神経系	変動	中〜高 （主観的エンドポイント）

データはTufts CSDD Impact Reportおよび関連財務分析に基づく。 ⁴

この財務的現実は、手作業や汎用自動化では満たせない効率への要請を生む。 予定どおり登録する試験と6か月遅延する試験の差は、しばしば収益性のある資産と減損処理の 差である。

1.2 運用ボトルネック：スクリーニング失敗ファネル

募集危機は患者不足だけで定義されるのではなく、 スクリーニングファネルの非効率によって定義される。業界が苦しむのは疾患有病率の不足ではなく、 _識別可能な_適格性の不足である。推定では 研究実施施設の37%が 登録不足であり、驚くべきことに 11%は患者を1人も登録できない 。 ³ この非効率の主因は高いスクリーニング失敗率であり、表面的基準で潜在候補とされた患者が、高コストで時間のかかる手作業の レビューの後に最終的に却下される。

スクリーニング失敗のコストは大きく、およそ $1,200 per failure であり、 業界全体でである。 ³ このコストは施設コーディネーターの時間、予備 検査の経費、患者データ処理の事務負担を含む。自動化 システムが高い量の偽陽性——キーワードでは適格に見えるが 臨床論理では不適格な患者——を出すと、募集ファネルを詰まらせる。

この現象は臨床研究施設に対する「サービス拒否」攻撃を生む。施設 コーディネーターは既に事務作業で過負荷であるところへ、低忠実度AIツールが生成した「潜在的 マッチ」のリストを浴びせられる。あるツールが100人の候補を届けても真に適格なのが5人だけなら、 コーディネーターは速やかにシステムへの信頼を失い、手作業の 方法へ戻る。この逆説——自動化の増加が効率の低下を招きうる——は、現行マッチング技術における 「精度ギャップ」の直接的帰結である。

さらに、試験プロトコルの増大する複雑さがこの問題を悪化させる。現代の プロトコルはもはや単純な選択・除外基準のリストではない。それらは 数十の条件節、時間的依存（例：「文脈Yでない限り6か月以内の薬剤Xへの 事前曝露なし」）、および精緻なバイオマーカー 要件を含む複雑な論理構造である。大量のEHRデータに疲弊した人間の募集担当者と、時間的・オントロジー的推論を欠く汎用AI パーサーは、これらの基準を一貫して適用するのに 苦戦する。 ⁶

1.3 人的・倫理的要請

財務指標の向こうに、臨床研究の倫理的要請がある。募集の 遅延は規制承認の遅延に直結する。進行性の 転移がん、神経変性疾患、または稀少遺伝性疾患などの病態を持つ患者にとって、 試験立ち上げまたは登録段階の6か月の遅延は統計ではない。それは人生を変える 時間幅である。潜在的に治癒しうる療法へのアクセスと 緩和ケアを受けることの分かれ目になりうる。 ⁷

募集の現行標準は、PDFの診療記録を手作業で走査するか、 初歩的な「Ctrl+F」キーワード検索で患者を探すことである。このアプローチは本質的に 複雑な患者に不利である。単純で明確に記録された歴を持つ人を優遇し、 非構造化ノートや複雑な条件論理に適格性が埋もれた人を除外する。 適格患者を正確に特定できないことで、我々は薬剤を遅らせるだけでなく、 アクセスを拒んでいる。

本ホワイトペーパーは、この危機の解決には臨床データの処理方法における根本的転換が必要であると論じる。 我々は 確率的テキスト処理 から オントロジー駆動 フェノタイピング へ移らねばならない。LLMの確率を、論理 ソルバーの確実性に置き換えねばならない。Veriprajnaはこの転換の最前線に自らを位置づけ、ニューロシンボリック AIを活用して、ケアの非構造化言語と研究の厳密な論理の間のギャップを 橋渡しする。

2. 統語の失敗：なぜPDFパーサーと汎用 AIは的を外すのか

製薬業界は10年以上にわたり自然言語処理（NLP）で募集ボトルネックの解決を試みてきた。 しかし初期の取り組みはおおむね 統語ベースのアプローチ ——キーワード照合、正規表現、ブール検索 文字列——または、より最近ではGPT-4やClaudeのような大規模言語モデル（LLM）による確率的生成に依拠してきた。 技術的には異なる両アプローチは、臨床試験の文脈で共通の失敗モードを共有する。 すなわち 意味的精度 を欠く。

2.1 「心臓カテーテル検査」対「中心静脈穿刺」という 誤謬

統語ベース照合の深刻な失敗を理解するには、汎用AIにおけるオントロジー的根拠の欠如を示す具体的な 臨床シナリオを検討せねばならない。この例は 端緒的事例ではない。自動募集システムに蔓延する一群の誤りを 代表する。

新規抗凝固薬の臨床試験プロトコルが除外基準として明示的に 「心臓 カテーテル検査」 を挙げる場合を考える。医学的根拠は妥当である。心臓 カテーテル検査は、機能評価または閉塞治療のためカテーテルを心腔または冠動脈へ通すことを 含む。 ⁹ それは高リスクの侵襲的心臓手技であり、 直近の循環器不安定を含意し、試験の安全性プロファイルに患者を不適とする。

次に、電子健康記録（EHR）に医師のノートが 「中心静脈穿刺」 （多くの場合、中心静脈 カテーテルすなわちCVCの留置）を記述する患者を考える。この手技は、薬剤・輸液の投与または中心静脈圧の監視のため、大静脈（内頸、鎖骨下、 または大腿）へアクセスすることを含む。 ¹¹ 侵襲的では あるが、それは血管アクセス手技であり、しばしば集中治療のベッドサイドで行われ、 解剖学的標的、生理学的影響、およびリスクプロファイルにおいて心臓カテーテル検査と根本的に 異なる。

汎用AIの失敗モード：

1.​ キーワード混同： 標準的なキーワード照合アルゴリズム——または不十分なプロンプトの ベクトル類似度で動作するLLM——が患者記録を走査する。次のような語を識別する。 「catheter」「venous」「puncture」、そして潜在的に「cardiac」（CVCが 心臓病室すなわちCCUで留置された場合）。

2.​ ベクトル近接： 汎用埋め込みモデルの高次元潜在空間では、 「Cardiac Catheterization」と「Central Venous Catheterization」は近くに 位置づけられる。どちらも医療手技であり、どちらもカテーテルを含み、どちらも血管 系を含む。剛健な医学オントロジーを欠く汎用モデルは、主題的類似に基づき両者を 混同する。

3.​ 誤った除外： AIは、患者が除外対象の 心臓関連手技を受けたと結論し、患者を不適格とタグ付けする。

4.​ 結果： 適格患者が試験から失われる。施設コーディネーターはこの患者を決して見ない、 あるいはさらに悪く、誤った却下を見てツールへの信頼を失う。

これは仮説上の誤りではない。試験マッチング向けAIモデルを評価した最近の研究は、 モデルが誤って「cardiac catheterization is the same as a central venous puncture」と結論し、不正な除外に至る具体的失敗モードを特定している。 ² この 誤りは オントロジー的区別 の欠如に起因する。AIは語が関連することは知るが、 _どのように_区別されるかは知らない。

2.2 高リスク意思決定における確率的LLMの 限界

生成AIの到来により、「より良いプロンプト」がこの問題を解くと信じる者もいる。 しかし大規模言語モデルは、適用されると固有の構造的限界に 臨床試験プロトコルの決定論的要件において苦しむ。高リスクのヘルスケア 環境では、ニューラルネットワークの「ブラックボックス」性が三つの重大な障壁を呈する。

1.​ 決定性の欠如： LLMは次にありそうなトークンを予測するよう設計された確率エンジンである。 それらは論理エンジンではない。LLMはプロンプト、 温度設定、または周囲のコンテキストウィンドウのわずかな変動に基づき、ある実行では患者を適格と正しく識別し、次の実行では不適格としうる。 臨床試験は 100% 再現可能な監査証跡 を要する。規制当局は患者が正確に なぜ 組み入れまたは 除外されたかを正確に知らねばならない。 ¹³

2.​ 真理を検証できないこと（ハルシネーション問題）： LLMは明示的にそのように設計されない限り、事実を グラウンドトゥルースのデータベースに対して検証しない。患者ノートが 曖昧な場合、LLMはギャップを埋めるために診断をハルシネートし、患者を除外する併存症を「発明」するか、より危険には不適格患者を組み入れるクリアランスを 患者を除外する併存症を「発明」するか、より危険にはクリアランスを発明し、 不適格な患者を組み入れる。

3.​ プライバシー漏洩とガバナンス： 非構造化患者データを公開モデル APIへ送ることは重大なHIPAA/GDPR上の懸念を提起する。エンタープライズインスタンスは存在するが、 膨大なパラメータが私的健康データと相互作用する根本アーキテクチャは、 ラッパーAPIがしばしば提供し損なう厳格なプライバシー保護アーキテクチャを要する。 ¹³

Veriprajnaの哲学を駆動する「ホットテイク」はこの現実に根ざす。業界は 論理問題（適格性）を確率ツール（LLM）で解こうとしている。解決は 確率から証明可能性への移行を要する。

3. オントロジー駆動フェノタイピング：SNOMED CTの 優位

統語の失敗と確率のリスクを解消するため、Veriprajnaは提唱し、 オントロジー駆動フェノタイピング を実装する。このアプローチはタスクを根本的に 語を読むことから標準化された医学概念への写像へと移す。我々は SNOMED CT を用いる。 （Systematized Nomenclature of Medicine -- Clinical Terms）、世界で最も包括的な 多言語の臨床ヘルスケア用語体系であり、我々のAIに「グラウンドトゥルース」を提供する。 ¹⁵

3.1 階層の力（Is-A関係）

SNOMED CTは単なる辞書ではない。有向非巡回グラフ（DAG）として構造化された多階層オントロジーである。 概念は論理関係で結ばれ、とりわけ Is-A（サブタイプ）関係が顕著である。この構造によりAIは、平坦なキーワードリストではできない粒度、継承、 および解剖学的文脈を理解できる。

「心臓カテーテル検査」の例に戻ると、SNOMEDを認識するシステムは 次の異なる階層を理解する。

階層A：除外ターゲット

●​ 概念： Cardiac catheterization (procedure)

○​ 親: Procedure on heart (procedure) ○​ 親: Invasive procedure (procedure) ○​ 子: Coronary angiography (procedure) ○​ 子: Left heart catheterization (procedure) ¹⁸

階層B：患者イベント

●​ 概念： Central venous catheterization (procedure)

○​ 親: Catheterization of vein (procedure) ​¹⁹

○​ 親: Insertion of vascular catheter (procedure)

○​ 子: Insertion of peripherally inserted central catheter (procedure)

推論エンジン： プロトコルが「Cardiac Catheterization」を除外するとき、オントロジー駆動AIは語 「cardiac」や「catheter」を探さない。グラフ上で意味的クエリを実行する。患者の 手技（SCTID: 392230005）は除外基準（SCTID: 41976001）のサブタイプか？ SNOMED階層は NO と答える。概念は手技ツリーの異なる枝 （Heart vs. Vein）に存在する。AIは患者を決定論的に 適格 と判定する。 この基準について。 ² この論理は、医師が「Central Line Placement」または「CVC Insertion」と書いても成り立つ。エンティティ抽出層がそれらすべての同義語を正しいSCTIDへ写像してから 論理チェックが行われるためである。

3.2 同義性と粒度の問題を解く

医学文書には同義語、略語、さまざまな粒度が満ちている。 医師は「Heart Cath」「Angio」「Coronary Angiography」、または「LHC」（Left Heart Cath）と書くかもしれない。キーワード検索はあらゆる変種をハードコードする必要があり、それでも 新規の言い回しを見逃す。

SNOMED CTは 同義性（Synonymy） と 概念永続性（Concept Permanence） でこれを扱う。概念 Coronary artery disease は自動的に「CAD」「Coronary arteriosclerosis」「Arteriosclerotic heart disease」および数十の他変種へ写像される。 ²⁰ 我々のAIが抽出するのは概念ID（SCTID）であり、 文字列ではない。テキストがSCTIDに変換されると、曖昧さは消滅する。照合は 語対語ではなく、概念対概念で行われる。

さらにSNOMED CTは 後協調（Post-Coordination） を許し、概念を属性で精緻化できる。 例えば「Left kidney stone」は単なる文字列ではなく、概念 Kidney stone が 左右属性 Left で精緻化されたものである。 ²² これによりAIは、左右差または重症度を指定するプロトコル（例：「両側腎疾患の患者を除外」）に対し 数学的精度で 照合できる。

3.3 計算フェノタイプの構築

非構造化テキストからこれらのSCTIDを集約することで、患者の「計算 フェノタイプ」を構築する。このフェノタイプはコードの構造化集合であり、 患者の正確な臨床状態を表し、次を区別する。

●​ 診断（障害）： 例、Malignant tumor of lung

●​ 手技： 例、Lobectomy of lung

●​ 所見： 例、Mass in lung

この区別は決定的である。腫瘤の「所見」はがんの「診断」と同じではない。 「lung mass」のキーワード検索は健常ボランティア試験から患者を除外するか、 がん試験に誤って組み入れうる。オントロジー駆動フェノタイピングは、疑われる病態と確定診断の 区別を尊重する。 ¹⁶

4. 除外の論理：適格基準における 義務論理的推論

SNOMED CTが 何を （医学概念）扱うのに対し、 義務論理 は どのように （関与の規則）を扱う。臨床試験基準が単純なブール文 （存在／不在）であることは稀である。それらは何が 義務的 かを律する複雑な規範的文である。 （必須）、 許可 （持ちうる）、または 禁止 （持ってはならない）。 ²⁴

4.1 「Unless」の複雑さ：例外節の解析

汎用AIの大きな失敗点は「例外節」である。試験プロトコルはしばしば条件付きの 除外基準を含む。次の標準的除外基準を考える。 オンコロジー試験において：

「高血圧の患者を除外する。 ただし 安定した 投薬で少なくとも3か月間良好にコントロールされている場合を除く。」

キーワードマッチャーは「hypertension」を見て患者を除外する。標準的ブールフィルタは 「hypertension = TRUE」を見て除外しうる。どちらも、疾患を有するが参加基準を満たす適格患者の喪失に 至る。

義務論理の解析： VeriprajnaのAIはこの文を義務演算子で解析する。

●​ 禁止 ($F$)： 高血圧を有する ($H$)。

●​ 例外／許可 ($P$)： 高血圧 ($H$) AND コントロールされた ($C$) AND 安定 ($S$)。

論理定式化は条件関数となる。

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ 次いで我々のAIは時間制約（「少なくとも3か月」）と臨床状態 （「コントロール」はBP < 140/90 mmHgまたは安定した投薬歴で定義）を解析する。 ²⁶ それは 疾患を有するが参加する 義務論理上の許可 を持つ患者を識別する。

4.2 「Yでない限りXでない」の扱い：矛盾する臨床状態

別のよくあるパターンは、矛盾する臨床状態または先行療法を含む。

「患者は先行化学療法を受けていてはならない。 ただし それが術前補助

療法であり6か月超前に完了している場合を除く。」

ここでAIは同時に検証せねばならない。

1.​ イベント： 化学療法の施行（典型的には除外）。

2.​ 文脈（意図）： 術前補助だったか？（ 意図 の理解を要する 療法の）。

3.​ 時間的： Date_Currentより6か月超前に終了したか？

我々はこれを 時間的アンサンブル論理（TEL） で実装する。特殊形の 時間論理であり、システムが試験タイムラインをモデル化し、患者イベントを有効な 観察窓内に置く。 ²⁸ システムは患者歴のタイムラインを作り、 化学療法イベントを印し、その属性（術前補助）を確認し、差分を $t$ 対して 基準日。この厳密な論理解析は、キーワード 検索が履歴への「chemotherapy」の単なる言及で捨てる適格患者を救う。

4.3 「患者のマッチングを始めよ」が義務論理を意味する理由

キャッチコピー「語のマッチングを止めよ。患者のマッチングを始めよ」は、具体的にこの 能力を指す。我々が解釈するのは記録中の用語の存在だけではなく、患者の 適格状態 である。 プロトコルの 権利と義務 をモデル化することで（例、特定条件下で参加する権利）、 我々はAIを試験デザインの倫理的・科学的意図と 整合させる。 ¹⁴

このアプローチは募集プロセスを、データベース内の文字列を探す「検索」タスクから、論理規則の集合に対して患者の状態を評価する「推論」タスクへと 変える。 これが文書検索エンジンと臨床意思決定 支援システムの根本的差異である。

5. ニューロシンボリックエンジンのアーキテクチャ

この解決を届けるため、Veriprajnaは ニューロシンボリックAIアーキテクチャ を用いる。これは 理論的な学術構成ではない。二つのAIパラダイムの最良を組み合わせる実務的エンジニアリング選択であり、 規制産業における信頼性、説明可能性、精度を確保する。

5.1 ニューロシンボリック・スタック

我々のアーキテクチャは「Type 2」または「Type 4」のニューロシンボリック統合モデルに従い、 ニューラルシステム（LLM）が知覚層として、記号システム（ナレッジ グラフ／論理ソルバー）が推論層として働く。 ³⁰ この関心の分離により、我々は LLMの言語的柔軟性を活用しつつ、その確率的傾向を剛健な 論理で抑制できる。

層1：ニューラル知覚（リーダー）

●​ 機能： 非構造化データ（PDF、手書きノート、スキャン検査、医師の 叙述）を取り込む。

●​ 技術： TransformerベースのLLM（例、カスタマイズGPT-4、Llama 3、または ドメイン特化BioBERT変種）。

●​ 役割： LLMは最終適格判定を 行わない 。唯一の仕事は エンティティ 抽出と正規化 である。「pt complains of chest pain」を読み、エンティティ Chest pain を識別する。

●​ 新規性： 「Concept-Aware Decoding」を用い、LLMの出力を有効なSNOMED CT優先用語またはIDに制約し、 ハルシネーションを源流で減らす。 ¹³

層2：意味的ブリッジ（マッパー）

●​ 機能： 抽出エンティティをエンタープライズ・ナレッジグラフへ写像する。

●​ 技術： オントロジー参照およびグラフデータベースと結合したベクトルデータベース （例、Neo4j）。

●​ 役割： テキストエンティティ Chest pain を特定のSCTID: 29857009へ変換する。グラフ構造と隣接ノードを用い、文脈に基づき用語を曖昧性解消する （例、ウイルスの「Cold」と 温度の「Cold」を区別）。

層3：記号的推論（思考者）

●​ 機能： 構造化フェノタイプに対して適格論理を実行する。

●​ 技術： 確率論理ネットワーク（PLN）または一階述語論理ソルバー（例、 Prolog型推論器）をナレッジグラフと統合。 ³³

●​ 役割： この層は義務論理規則を適用する。SNOMEDの Is-A 関係を検査する （例、「CVCはCardiac Cathのサブタイプか？」）。時間的持続を計算する。それは 決定論的 である——同一入力が与えられれば常に同一の適格結果を出力し、 FDAおよびEMAが求める監査可能性を提供する。 ¹³

5.2 論理の「グリーンエリア」

ニューロシンボリック文献に述べられるとおり、処理ループ内に論理モジュール（アーキテクチャ図でしばしば 「グリーンエリア」として可視化）を挿入する。システムが 「除外基準4に基づき患者は適格か？」のような複雑なクエリに遭遇すると、 LLMは答えをハルシネートしない。代わりにクエリを記号推論器へ委譲する。 推論器は事実と規則（例、Patient_Has_Hypertension AND Medication_Is_Stable）に基づき答えを計算し、自然言語合成のため結果をLLMへ返す。 ³³

このハイブリッド手法は、「推論」が数学的に健全である一方、 「インタフェース」が臨床医にとって会話的でアクセスしやすいことを保証する。

表2：臨床試験向けAIアプローチの比較

特徴	標準LLM（ラッパー API）	ニューロシンボリックAI （Veriprajna）
データ処理	確率的トークン 予測	決定論的論理＋ ニューラル抽出
未知の用語	ハルシネートまたは見逃し	人間レビューへフラグ （不透明対透明）
推論	表層的相関	ナレッジグラフ経由の マルチホップ推論
説明可能性	「ブラックボックス」（ソース論理を 引用できない）	完全に監査可能なトレース（論理 証明）
精度	~63-87%（変動）	>95%（人間並みまたは 超人的）13
プライバシー	データ漏洩の高リスク	論理はローカル／安全に 処理

比較は最近の研究の性能指標に根拠を置く。AIを評価した ヘルスケア。 ²

6. ナレッジグラフRAG（GraphRAG）：コンテキスト エンジン

ニューロシンボリック・アーキテクチャを支えるため、Veriprajnaは グラフ検索拡張 生成（GraphRAG） を用いる。従来のRAGがベクトル類似度に基づき文書チャンクを検索するのに対し、 GraphRAGは 関係 に基づき情報を検索し、システムが 患者記録全体と外部医学知識にわたって「点を結ぶ」ことを可能にする。 ³⁵

6.1 なぜベクトルだけでは足りないか

標準的なベクトルRAGシステムでは、研究者が「薬剤Aの副作用」を検索すると、 システムは文字列「Drug A」を含む文書チャンクを検索する。しかし臨床試験 プロトコルはしばしば薬物クラスまたは作用機序に基づき患者を除外する。

例：試験プロトコルが「CYP3A4酵素と相互作用する任意の薬剤」を除外する。 ある患者は「Drug B」を服用している。

●​ ベクトルRAGの失敗： 患者のEHRが「Drug B」に言及しても明示的に 「Drug B is a CYP3A4 inhibitor」と述べない場合、ベクトル検索は関連文脈の検索に失敗しうる。 患者が誤って組み入れられうる。

●​ GraphRAGの解決： ナレッジグラフはトリプルを含む：(Drug B) --[inhibits]--> (CYP3A4)。除外基準を検査するとき、GraphRAGはグラフを横断する。それは Drug Bを禁止物質として識別する。 たとえテキストが明示しなくても 。 ³²

この能力は、複雑なバイオマーカーおよび薬理学的相互作用に依拠する現代の「アンブレラ」または「バスケット」試験に不可欠である。 GraphRAGはシステムに マルチホップ検索 を行わせ、Patient -> Drug -> Mechanism -> Exclusion Criteria を横断し、 隠れた除外因子が見逃されないことを保証する。

6.2 製薬のための「セカンドブレイン」

このアーキテクチャは募集プラットフォームを研究者のための「セカンドブレイン」に変える。 ³⁸ それにより、 データ構造に対する推論を要する複雑な自然言語クエリが可能になる。 例えば： 「心筋症の既往があるが アントラサイクリンを受けていない患者を探せ。」

システムはグラフ経由で「Doxorubicin」がアントラサイクリンである（is-an）と理解する。正しく Doxorubicinを服用した患者を除外し、安全性とプロトコル遵守を確保する一方、 他の非アントラサイクリン薬剤を服用した患者を組み入れる。この水準の意味的 相互運用性は、従来のクエリビルダーの能力をはるかに超える動的コホート構築と実現可能性分析を 可能にする。

7. 実装戦略：理論からエンタープライズへ

Veriprajnaは単純な「プラグアンドプレイ」APIではなく、深い統合戦略を提供する。 オントロジー駆動フェノタイピングの実装は、データの意図的な変革を要する インフラであり、AIが高品質な構造化データで供給され、その 出力が臨床ワークフローへ統合されることを保証する。

7.1 CDISCとFHIRとの統合

我々のシステムは、既存の臨床データ標準と相互運用するよう設計されている。 製薬業界の基幹をなす。

●​ 入力： データを HL7 FHIR （Fast Healthcare Interoperability Resources）経由で取り込む。 Patient、Condition、Procedure、およびMedicationAdministration リソースを解析し、ナレッジグラフを埋める。

●​ 出力： フェノタイプを CDISC SDTM （Study Data Tabulation Model）へ直接写像する。 標準、具体的には IE（Inclusion/Exclusion） ドメイン。 ³⁹ これは、 我々のシステムが生成する募集データが単なる氏名のリストではなく、構造化された 規制データであり、初日からの提出と分析に備わっていることを意味する。下流の データ清掃と突合の負担を減らす。

7.2 ヒューマン・イン・ザ・ループ（HITL）ワークフロー

我々は完全自動化ではなく 拡張知能 を提唱する。目標は専門家である 臨床医をスケールすることであり、置き換えることではない。ニューロシンボリック出力は各判定について「信頼スコア」と 「推論トレース」を含む。

●​ 高信頼（決定論的）： 論理が明確でデータが一義的なら（例、 特定のSCTID一致）、システムは自動マッチまたは自動除外できる。

●​ 低信頼（曖昧なテキスト）： 論理が曖昧またはテキストが不明瞭なら（例、 「possible history of...」）、システムは事例を人間レビューへフラグする。決定的なのは、曖昧さの原因となった具体的基準と関連テキスト断片を 強調することである。この 「事前消化」されたビューは、臨床医がチャートをレビューする時間を最大40%削減する。 ²

7.3 データプライバシーとガバナンス

モジュール型ニューロシンボリック・アーキテクチャを用いることで、Veriprajnaは最重要の データプライバシーの懸念に対処する。患者データを病院の安全なファイアウォール内（ 「記号」層とグラフ）に保てる。「ニューラル」層（LLM）はローカルな オープンソースモデル（例、医学抽出向けにファインチューンしたLlama 3）としてセキュア エンクレーブ内に配備でき、または非識別テキスト処理にのみ用い得る。 ⁴⁰ これにより保護対象 健康情報（PHI）が公開APIにさらされたり外部モデルの訓練に使われたりせず、 GDPR、HIPAA、および機関ガバナンス方針への遵守を保証する。

8. 結論：語のマッチングを止め、患者のマッチングを 始めよ

創薬のボトルネックはもはや科学ではない。統語である。我々は ヒト生物学と臨床試験プロトコルの複雑さを、文書検索向けに設計されたツールで 航海しようとしている。この不一致は数十億ドルの価値喪失、非効率な試験 運用、そして最も重要な、新しい療法を待つ患者の先送りされた希望をもたらす。

「中心静脈穿刺」対「心臓カテーテル検査」の誤りは不具合ではない。それは 意味的盲目の症状である。 オントロジー駆動フェノタイピング を採用し、 SNOMED CT に根拠づけ、 義務論理 に統治され、 ニューロシンボリックAI に駆動されることで、我々は この盲目を治癒できる。

Veriprajnaは確率の脆弱性から離れ、論理の頑健性へ向かう道を提供する。 我々は製薬企業が、推測ではなく推論によって、適切な患者を、適切な試験に、適切な 時に見出すことを可能にする。

#Pharma #ClinicalTrials #HealthTech #AI #DrugDiscovery #NeuroSymbolicAI #SNOMEDCT

エンタープライズ向け主要要点

●​ 財務的影響： 募集遅延の排除は喪失する $800,000+ per day を節約しうる。 高価値資産の機会費用について。

●​ 技術的優位： ニューロシンボリックAIは、汎用LLMが提供できない監査可能で決定論的な推論 証跡を作り、規制遵守に不可欠である。

●​ 意味的精度： SNOMED CT統合は理解することで誤った除外を防ぐ。 医学階層（Is-A関係）および異なる手技の区別を。

●​ 論理的厳密さ： 義務論理は試験プロトコル中の複雑な「unless」および「except」節を正しく解析し、 ブール論理が捨てる適格患者を救う。

●​ 戦略的優位： GraphRAGは「セカンドブレイン」能力を可能にし、 患者データをより広い薬理学ナレッジグラフへつなぎ、優れたマッチングと マルチホップ推論を実現する。

Veriprajnaについて

Veriprajnaは、最も困難な問題を解くことに特化したAIソフトウェアコンサルタンシーである。 バイオファーマにおいてDeep AIソリューションを通じ。我々はラッパーAPIを超え、構築する 医学の言語を理解するニューロシンボリック・アーキテクチャを。

参考文献

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs、2025年12月10日閲覧、 https://intuitionlabs.ai/pdfs/ai-innovations-in-clinical-trials-speeding-drug-development.pdf

2. AI model matches patients to trials almost as ... - Fierce Biotech、2025年12月10日閲覧、 https://www.fiercebiotech.com/cro/ai-model-matches-patients-clinical-trials-fast-human-only-slight-dip-accuracy

3. What clinical trial statistics tell us about the state of research today - Antidote.me、2025年12月10日閲覧、 https://www.antidote.me/blog/what-clinical-trial-statistics-tell-us-about-the-state-of-research-today

4. Quantifying the Value of a Day of Delay in Drug Development | Tufts CSDD | White Papers、2025年12月10日閲覧、 https://csdd.tufs.edu/sites/default/ft iles/2025-02/Aug2024%20Day%20of%20Dela y%20White%20Paper%20Final.pdf?1763577702

5. The Cost of Delay: Quantifying the Financial Impact of Inefficient Clinical Trial Start-Up - Blog、2025年12月10日閲覧、 https://blog.td2inc.com/quantifying-the-financial-impact-of-inefficient-clinical-trial-start-up

6. How to Avoid Costly Clinical Research Delays - MESM Ltd、2025年12月10日閲覧、 https://www.mesm.com/blog/tips-to-help-you-avoid-costly-clinical-research-delays/

7. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech - Eglobalis、2025年12月10日閲覧、 https://www.eglobalis.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/

8. Why Time Is The Most Expensive Resource In Clinical Trials—And How To Make Every Second Count - Leapcure、2025年12月10日閲覧、 https://blog.leapcure.com/why-time-is-the-most-expensive-resource-in-clinical-trials-and-how-to-make-every-second-count/

9. 2020 AHA/ACC Key Data Elements and Definitions for Coronary Revascularization: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards (Writing Committee to Develop Clinical Data Standards for Coronary Revascularization) | Circulation: Cardiovascular Quality and Outcomes - American Heart Association Journals、2025年12月10日閲覧、 https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI、2025年12月10日閲覧、 https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery、2025年12月10日閲覧、 https://www.clinicsinsurgery.com/open-access/femoral-vein-morphometry-in-children-9466.pdf

12. Clinical validation of the diagnosis adverse location of peripherally inserted central catheter in neonatology - ResearchGate、2025年12月10日閲覧、 https://www.researchgate.net/publication/394290075_Clinical_validation_of_the_diagnosis_adverse_location_of_peripherally_inserted_central_catheter_in_neonatology

13. Neuro-symbolic AI for auditable cognitive information extraction from medical reports - PMC、2025年12月10日閲覧、 https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate、2025年12月10日閲覧、 https://www.researchgate.net/profile/Zoran-Milosevic-3/publication/338253522_Ethics_in_Digital_Health_A_Deontic_Accountability_Framework/links/60684b5c299bf1252e24e182/Ethics-in-Digital-Health-A-Deontic-Accountability-Framework.pdf

15. UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE CIÊNCIA DA INFORMAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GESTÃO & ORGANIZAÇ ResearchGate、2025年12月10日閲覧、 https://www.researchgate.net/profile/Jeanne-Emygdio/publication/361670001_INTEROPERABILIDADE_SEMANTICA_ORIENTADA_POR_ONTOLOGIA_PARA_A_CIENCIA_DA_INFORMACAO_a_metodologia_Onto4All-Interoperability_como_resultado_de_estudo_de_caso_no_dominio_de_energia/links/62bf12083d26d6389e899f87/INTEROPERABILIDADE-SEMANTICA-ORIENTADA-POR-ONTOLOGIA-PARA-A-CIENCIA-DA-INFORMACAO-a-metodologia-Onto4All-Interoperability-como-resultado-de-estudo-de-caso-no-dominio-de-energia.pdf

16. cohort identification from free-text clinical notes using - Carolina Digital Repository、2025年12月10日閲覧、 https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx、2025年12月10日閲覧、 https://open.trinetx.com/wp-content/uploads/sites/2/2020/06/OPS-SNOMED-FINAL1.pdf

18. 37.22 Left heart cardiac cath - ICD-9-CM Vol. 3 Procedure Codes、2025年12月10日閲覧、 https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH、2025年12月10日閲覧、 https://vsac.nlm.nih.gov/context/cs/codesystem/SNOMEDCT/version/2020-03/code/392230005/info

20. coronary artery disease [EFO:0001645](Polygenic Trait) - PGS Catalog、 2025年12月10日閲覧、 https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI、2025年12月10日閲覧、 https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine、2025年12月10日閲覧、 https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library、2025年12月10日閲覧、 https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy、2025年12月10日閲覧、 https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR、2025年12月10日閲覧、 https://icr.uni.lu/leonvandertorre/papers/normas07b.pdf

26. NCT03574363 | Phase 2b Study of KBP-5074 in Subjects With Uncontrolled Hypertension and Advanced Chronic Kidney Disease | ClinicalTrials.gov、 2025年12月10日閲覧、 https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH、2025年12月10日閲覧、 https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS、2025年12月10日閲覧、 https://drops.dagstuhl.de/storage/00lipics/lipics-vol355-time2025/LIPIcs.TIME.2025.13/LIPIcs.TIME.2025.13.pdf

29. Excluding People With Disabilities From Clinical Research: Eligibility Criteria Lack Clarity And Justification | Health Affairs、2025年12月10日閲覧、 https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate、2025年12月10日閲覧、 https://www.researchgate.net/figure/Type-4-neuro-symbolic-AI-system-with-explicit-mapping-This-figure-shows-a-structure_fig11_381230747

31. The Emerging Field of Neuro-Symbolic AI: An Introduction - Ultralytics、2025年12月10日閲覧、 https://www.ultralytics.com/blog/an-introduction-to-the-emerging-field-of-neuro-symbolic-ai

32. Understanding GraphRAG: How Does It Compare with RAG? - Charter Global, 2025年12月10日閲覧、 https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches、2025年12月10日閲覧、 https://www.cotacapital.com/knowledge-base/avoiding-llm-hallucinations-neuro-symbolic-ai-and-other-hybrid-ai-approaches/

34. Explainable Diagnosis Prediction through Neuro-Symbolic Integration - PMC NIH、2025年12月10日閲覧、 https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika、2025年12月10日閲覧、 https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j、2025年12月10日閲覧、 https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV、2025年12月10日閲覧、 https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs、2025年12月10日閲覧、 https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC、2025年12月10日閲覧、 https://www.cdisc.org/standards/foundational/cdash/cdashig-v2-0

40. Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View - arXiv、2025年12月10日閲覧、 https://arxiv.org/html/2503.15718v1