分散AI、治験マッチング効率を34%改善

米国の研究チームは、プライバシーを保護しながら複数医療機関が共同でAIモデルを構築できる連合学習システム「FedMatch」を開発し、治験患者マッチングへの実用性を実証した。論文はarXivで公開されている。

治験における患者募集の非効率性は、製薬開発における構造的課題である。適格患者のうち治験に実際に登録されるのは3〜5%にとどまるとされ、製薬企業にとって治験の長期化は開発費の膨張と上市遅延に直結する。その主因の一つが、患者データの分散と共有規制にある。各医療機関は電子カルテなどの患者情報を保有するが、個人情報保護法制のもとでデータを外部と共有することは困難であり、個別施設のデータだけでは精度の高いAIモデルを構築できない。

FedMatchはこの課題を連合学習によって解決する。各病院はローカルのデータでモデルを訓練し、患者データそのものではなくモデルの更新情報（勾配）のみを中央サーバに送信する。さらに差分プライバシーとセキュアアグリゲーションを組み合わせることで、米国の医療情報保護法（HIPAA）への準拠を確保しながら高い予測精度を実現している。12病院の実データを用いた評価ではAUC（識別精度指標）0.91を記録し、全データを集中管理する従来手法の0.93と比較して精度の低下は軽微にとどまった。

3つの学術医療センターにおける6カ月間の実証展開では、治験への患者登録数が34%増加し、スクリーニングに要する時間が60%短縮された。スクリーニング業務は従来、臨床研究コーディネーター（CRC）が電子カルテを手動で精査する作業に依存しており、人件費と時間の両面で大きな負担を生じさせていた。FedMatchはこのプロセスを自動化・高精度化することで、限られた人的リソースをより付加価値の高い業務に振り向けることを可能にする。

ビジネス上の影響が最も直接的に及ぶのは製薬企業の臨床開発部門である。治験フェーズの遅延は1日あたり数億円規模のコストとなり得ることが業界では広く認識されており、患者登録の加速はプロジェクト全体のNPV（正味現在価値）を大きく改善する。特に希少疾患領域では適格患者の絶対数が少なく、マッチング精度の向上が開発の成否を左右することもある。製薬企業の臨床オペレーション部門やデータサイエンス部門において、FedMatchのような連合学習基盤の導入検討が加速するとみられる。

医療機関側にとっても、治験受託（CRO）事業の拡大やアカデミック研究の進展という観点でメリットがある。参加施設はデータを外部に渡すことなくAIの恩恵を受けられるため、データガバナンス上のリスクを抑えつつ競争力を維持できる。病院の治験管理部門における業務効率化指標（KPI）として、スクリーニング工数の削減率や登録達成率への貢献が定量的に評価されやすくなる点も導入判断を後押しする。

今後の課題としては、各国の規制当局（日本では厚生労働省・PMDA）による連合学習を用いたモデルの承認プロセスへの位置づけの明確化、ならびに参加施設間のシステム標準化が挙げられる。電子カルテの仕様差異を吸収するデータ前処理層の整備も実用展開の鍵を握る。医療データの国境をまたいだ活用が求められるグローバル治験では、各国のデータ保護規制との整合性確保が一層重要な論点となる。