AI、医療機器リコールの深刻度を自動判定

研究の概要

トルコ・アンカラ大学の研究チームは、2002年から2025年10月までにFDAが公開した54,165件の医療機器リコール記録を用いて、リコールのトリアージ（優先度分類）を自動化するAIフレームワーク「RecallRisk-BERT」を開発した。

同モデルは、生医学テキスト向けに事前学習済みの言語モデル「PubMedBERT」と、製品コードや規制番号、医療専門領域といった構造化データの埋め込み表現を組み合わせたマルチタスク学習アーキテクチャを採用している。リコールの深刻度（Class I／II／IIIの3段階）と根本原因カテゴリー（9分類）を単一モデルで同時予測する点が、従来研究との最大の差別化要素である。

評価結果では、テキストと表形式データを組み合わせたLightGBMベースのモデルが単一タスクの深刻度予測において精度0.963、マクロF1スコア0.856、ROC-AUC 0.974という高水準を達成した。マルチタスク設定のRecallRisk-BERTは、単一タスクのPubMedBERTベースラインを大幅に上回り、モデルが導出するリスクランキングと実際の根本原因パターンの間には相関係数0.983という強い一致が確認された。

ビジネスへの示唆

医療機器メーカーおよび医療機関にとって、リコール対応は財務・評判・規制の三重リスクを伴う経営課題である。現状では、FDAへのリコール報告後に社内の規制部門（RA部門）が記録を手作業で精査し、対応優先度を判断するプロセスに多大な人的リソースが投じられている。

RecallRisk-BERTが実務に導入された場合、以下の領域で具体的な効果が見込まれる。

• 規制・品質保証部門：リコール報告書の自動スクリーニングにより、Class I（最重大）案件への即時エスカレーションが可能となり、対応リードタイムの短縮とFDA是正措置（Warning Letter）リスクの低減に直結する。
• サプライチェーン・調達部門：根本原因カテゴリーの自動特定により、設計不良・製造工程不良・ラベリング不備といった原因別のサプライヤー評価KPIへの統合が容易になる。
• 病院・医療機関の医療安全部門：使用中デバイスのリコール情報を重大度スコアと紐付けて管理することで、患者安全インシデント発生率の予防的な低減が期待できる。
• 医療機器専門の保険・フィンテック企業：製品リスクのリアルタイムスコアリングを保険料算出モデルに組み込む応用が現実的な射程に入る。

市場規模の観点からも、世界の医療機器市場は2030年代にかけて年率5〜6%の成長が見込まれており、FDA登録製品数の増加に伴いリコール件数も高止まりが続く。規制当局との交渉コストや製品回収費用は大手メーカーで1件あたり数百万ドル規模に達することもあり、トリアージの自動化がもたらすコスト削減ポテンシャルは大きい。

今後の展望

研究チームは今後、モデルのリアルタイム推論パイプラインへの統合や、欧州のMDR（医療機器規制）など他国規制データへの横展開を課題として挙げている。

FDA自身がAIを用いた規制プロセス効率化を模索する動きを強める中、本研究が示すテキストと構造化データの融合アプローチは、規制テクノロジー（RegTech）領域における標準的手法として採用が進む可能性がある。日本国内でも、PMDAによる医療機器承認審査の効率化議論と連動した形で、類似フレームワークの導入検討が加速するとみられる。