臨床試験改革の「特効薬」 AIに集まる期待
2018年に米国で新たにがんと診断される人は170万人を突破したとみられる。一方、1万件を超える抗がん剤の治験で募集している新たな患者は、数千人に上る。だが、治験に登録するがん患者の割合は全体の5%に満たない。
理由は簡単だ。がんのような難病では、既存の治療で効果がなかった場合にだけ患者は治験に登録するからだ。しかも、手の施しようがないと診断された患者なら誰でも参加資格を満たすわけではない。多くの患者にとっては、自分が資格を満たしているかを知るのも至難の業だ。
資格を満たしていても、治験に参加するには費用も時間もかかる。さらに、原始的なデータ収集手段が問題を悪化させている。
治験のプロセスは患者以外の関係者にとっても非効率的だ。医薬品の治験には平均10年近くかかり、費用も最大で数十億ドルに上る。そして多くの治験は患者集めがネックになり、打ち切られる。650億ドル規模の治験市場には改革が必要だ。
AIは、あらゆるモノがネットにつながる「IoT」を使った遠隔モニタリングから、機械学習による電子健康記録(EHR)の処理、AIを活用したサイバーセキュリティーのデータ保護に至るまで、無駄だらけの治験プロセスを合理化する大きな可能性を秘めた「特効薬」だともてはやされている。
この記事ではCBインサイツのデータと医療研究機関の現場での経験に基づき、治験でのAIの有用性と限界について分析する。患者の標準的な治験プロセスを下に図示し、各段階でのAIの可能性について調べた。
治験の効率化は待ったなし
新薬を市場に投入するのは長く険しいプロセスだ。複数の調査を総合すると、米食品医薬品局(FDA)の承認を得るまでに開発中の薬を患者に試す「治験」の期間は平均7.5年で、費用は1億6100万~20億ドルに上る。
治験にはその段階ごとに多くの時間と資金がかかるが、「第1相」を始めた新薬のうち、最終的にFDAの承認にたどり着けるのは1割にすぎない。

治験が途中で打ち切られる理由は様々だ。参加者の不足や治験途中での患者の脱落、予想外の重大な副作用の発生、データ収集方法のまずさなどが挙げられる。プロセスが後になるほど、打ち切られた際のダメージは大きい。
スイスの製薬大手ノバルティスの17年1~3月期の純利益が15%減となったのは、心疾患の治療薬が第3相で打ち切られたことが一因だった。米国では、Tenax Therapeutics(テナックス・セラピューティクス)が主要新薬の開発を第3相で断念した2カ月後に、最高経営責任者(CEO)が辞任。同社は合併か身売りを検討しているとされる。
治験失敗のコストは創薬スタートアップではさらに顕著だ。新薬の研究開発コストの高さは、消費者の医療費に影響する。開発段階で打ち切られた薬の研究開発費も、法外な医薬品価格の一因であることが多い。
治験の現状
治験が失敗に終わったり、非効率的だったりすれば患者に犠牲が及ぶ。下の図は、あらゆる治療を試しても効果がなかった場合に、患者がたどる現時点での標準的なプロセスだ。

治験への登録と参加は新たな試練であるため、大半の患者にとってはつらい経験となる。
多くの治験はいまだにデータの収集や確認に原始的で時代遅れな方法を使っている。患者のカルテをファクスで送ったり、瓶に残った錠剤を手で数えたり、患者の日誌の内容から服薬状況を判断したりしている。このプロセスには抜本的な改革が必要だ。AIは治験のあらゆる段階を一変させる可能性を秘めている。
患者と治験の適切なマッチングは、治験チームと患者の双方にとって時間のかかる困難なプロセスだ。
米IT(情報技術)サービスCognizant(コグニザント)のリポートによると、募集期限までに十分な患者を集められなかった治験は約80%に上り、第3相で打ち切られた治験のうち、患者の不足が打ち切りの理由だった治験は約3分の1を占める。
ちなみに、米国で現在患者を募集している治験は1万8000件を超え、乳がんだけでも約1000件に上る。
医師が募集中の治験の情報を持っていれば、医師から治験への参加を勧められることもある。だがそれ以外の場合には、患者は過去と現在進行中の治験をまとめた公的データベース「ClinicalTrials.Gov」で探し回らなくてはならない。
AIを使った望ましい解決策は、患者の診療記録から情報を抜き出し、募集中の治験と突き合わせて最適な案件を提案することだろう。実際、電子健康記録や検査画像などの診療記録から情報を抽出するのは、医療分野で最も需要の高いAIの使い方の一つとなっている。
電子健康記録の互換性の問題
米政府はこの10年間で電子健康記録のデジタル化に280億ドル余りを費やしてきたが、患者の医療データを中央集権的に管理するシステムは存在しない。それどころか、診療を受けた全ての医療機関から自分のカルテを入手することもできない。
患者の医療データとプライバシーを保護する法律では、患者の一般的な同意があれば、患者のデータを名前や社会保障番号(SSN)などの個人情報を伏せた上で共有できるとしている。このため、こうした医療データセットを解析し、参加資格を満たす患者を数分以内に提示できるサービスが誕生している。従来であれば数カ月かかったプロセスだ。
ただし、医療機関やソフトの垣根を超えて健康情報を簡単に共有する互換性の問題は解決していない。同じ患者に治療を施しても、病院やクリニックによってデータを入力する電子健康記録のソフトは異なる。治験では、研究者がいまだに様々な病院に特定の患者の診療記録を送るようファクスで依頼し、病院側も患者の情報をファクスか電子メールの画像で送ることが多い。
これがAIにとって難題となっている。マサチューセッツ工科大学(MIT)、ハーバード大学、ジョン・ホプキンス大学、ニューヨーク大学の研究者による研究で、こう指摘されている。「カルテに対し、感情分析や言葉の意味の明確化など一般的な自然言語処理を実行するのは困難だ。スペルミスが多く、略語だらけで、コピペが多用されているからだ」
がん解析ソフトなどを手がける米Flatiron Health(フラットアイアン・ヘルス)は、特許申請書類でこの点についてこう説明している。「通信方法によって、構造化データは構造化されていないデータになることがある。例えば、ファクスで送付されたり、PDFのような読み取り専用文書に変換されたりしたデータは、構造の大半が損なわれる」。この時代遅れの手作業によるシステムのせいで正確なデータの収集が難しくなっている。
米カリフォルニア州に拠点を置くスタートアップのMendel.ai(メンデルai)は、がん患者から同社のプラットフォームに自分の診療記録を提出してもらい、断片的な診療履歴をつなぎ合わせることに取り組んでいる。患者はメンデルに対し、自分の代わりに医師から診療記録を収集する許可を与える。
メンデルはデジタル記録から情報を抽出し、治験と患者をマッチングさせる機械学習のアルゴリズムを開発した。料金は定額制で、診療記録に記載された全てのデータを処理するため、当初3カ月間の最低料金は99ドルだ。
ところが、メンデルはこのところ、沈黙を保っている。事業の拡大計画や、追加の資金調達ラウンドも発表していない。
その他のスタートアップには、機械学習を使って治験やClinicalTrials.Govに記載されている治験の「選択基準」「除外基準」に関する専門用語を単純化してくれる英Antidote.me(アンチドート・ミー)などがある。
企業向けでは、医療機関と直接提携し、ディープラーニング(深層学習)や自然言語処理を使って治験のマッチングを自動化するスタートアップが登場している。例えば、米Deep 6 AI(ディープ6AI)は、米シダース・サイナイ・メディカルセンターやがん医薬品開発受託機関の米TD2などと提携している。
患者データ入手のための戦略的買収
フラットアイアン・ヘルスは14年、がん専用の電子カルテ(EMR)を手がける米Altos Solutions(アルトス・ソリューションズ)を買収した。
フラットアイアンは当時、医療機関やライフサイエンス企業向けにクラウド解析プラットフォームを販売しており、Florida Cancer Specialistsなどのがん専門クリニックがアルトスの電子カルテを使っていた。この買収により、フラットアイアンは他社の電子カルテを使うのではなく、患者の生データに直接アクセスできるようになった。
現在では、フラットアイアンのがん専用電子カルテ「OncoEMR」を使う臨床医は2500人を超え、200万人以上の患者の記録を研究目的で利用できるとされる。
ロシュは18年2月、フラットアイアンを19億ドルで買収した。買収額はAI分野では過去最大規模となった。
ロシュがこの買収に加え、遺伝子検査を手がける米Foundation Medicine(ファンデーション・メディシン)や医療データを解析する米Viewics(ビューイックス)など他のデータサービス企業も最近買収したのは、同社が機械学習を駆使するデータ重視の製薬会社への転身に関心があることを示している。
治験の登録に伴う問題

患者が自分に最適だと思う治験を選んだだけでは、登録プロセスは完了しない。
通常は治験チームの調査担当者による電話での仮審査を受けた後、治験への参加基準を満たしていることを示すため、治験の実施機関を訪れなくてはならない。確認の一環として、調査担当者は他のクリニックから患者のカルテを収集する。前述したように、ファクスや電子メールで取り寄せたこの記録は、AIを使って情報を抜き出す際に問題となる。
AIで患者のカルテから情報を抽出するサービスでは、選定基準と除外基準の一部を自動的に照合し、登録手順を簡素化できるものもある。
さらに有望な解決策が、患者生成データの活用から生じている。リアルタイムに生成されるデータは膨大なため、AIは患者生成データと切っても切れない関係にある。

この分野に乗り出しているのが米アップルだ。同社はスマートフォン(スマホ)「iPhone」と腕時計型端末「アップルウォッチ」を軸にした治験エコシステム(生態系)を徐々に築きつつある。患者を継続的にモニタリングすることで、これまで入手できなかった健康データの宝の山が出来上がるというわけだ。
アップルは研究に最適な患者を見つけやすくするため、すでに健康機関や医学研究者との提携に乗り出している。
AIで服薬をサポート
患者が服薬の指示を守らない場合には、身体に副作用が生じたり、治験結果の精度が妨げられたりする事態になりかねない。治験を実施する側はこうした状況を変えようとして、そのためのテクノロジーに資金を投じている。
米ファイザーやノバルティスなどの大手製薬会社は、患者に服薬を促すモバイル技術の活用に加え、服薬状況を追跡するために「飲むセンサー」に投資している。米製薬大手メルクのベンチャーファンド(VC)Merck Ventures(メルク・ベンチャーズ)は17年1~3月期に、無線で通信できる薬瓶を手がける米Medisafe(メディセーフ)のシリーズBの資金調達ラウンドに参加した。調達額は1450万ドルだった。
AIスタートアップ各社はさらに、正しく服薬していることを目で確認できるようにしようとしている。ニューヨークに拠点を置くモバイルソフトのプラットフォーム、AiCure(Aiキュア)は画像認識と顔認識のアルゴリズムを使って服薬状況を追跡する。患者は薬の服用時に自分の姿を動画に収め、Aiキュアは正しく服薬されていることを確認する。
Aiキュアは米国立衛生研究所(NIH)と米国立薬物乱用研究所(NIDA)などから助成金を受けている上に、新株発行による資金調達で2700万ドル余りを調達した。

一方、米VCコースラ・ベンチャーズの出資を受けている米Catalia Health(カタリアヘルス)は、AIを使った健康管理ロボットの開発を進めている。
カタリアは患者に応じて質問したり、服薬を促す通知を設定したり、会話を調整したりすることで、患者の行動に変化をもたらそうとしている。患者が服薬を忘れる理由を把握するのが、同社の目標の一つだ。カタリアのロボット型アシスタントは基本的にはタッチ画面付きのタブレット端末だが、音声による起動にも取り組んでいるとされる。
AIアシスタントが生活習慣の変化を促せるかは、患者がアシスタントと日々積極的に会話する気があるかに左右される。こうしたやり取りはAIとIoT技術を使ってモニターされる。
生体センサー+AI
台頭しつつあるトレンドの一つが、生体センサーとAIの融合だ。モニタリング端末やセンサーを自社で開発し、これにデータ解析用の機械学習を搭載するスタートアップもあれば、AIソフトウエアの開発に専念し、他社製の自宅用モニタリング端末に対応させるスタートアップもある。
イスラエルのContinUse Biometrics(コンティニューズ・バイオメトリクス)は独自のセンサー技術を開発。治験期間中に測定する心拍数や血糖値、血圧など20以上の指標をモニターし、AIを使って異常を検知するサービスを提供する。同社は18年1~3月期のシリーズBラウンドで2000万ドルを調達した。
シンガポールのBiofourmis(バイオフォーミス)はFDAの承認を得た自宅用モニタリング端末からデータを引き出し、患者の健康状態を予測するAI解析エンジンの開発を進めている。
治験分野でのAIとIoTの活用により、患者の心理的・肉体的変化をリアルタイムかつ継続的にモニタリングし、病院などでの検診のコストや頻度、労力を軽減できる可能性がある。
アップルがもたらす治験革命
治験の合理化に取り組むスタートアップにとって最大の参入障壁はテクノロジーが比較的新しく、業界での導入がなかなか進まない点だ。
一方、アップルのようなIT大手は、医療分野のイニシアチブにパートナーを取り込むことに成功している。同社はすでにこの分野の情報の流れを円滑化する対策を講じ、研究者がアップルのAPIを使ってAIシステムを構築できるようにしている。
アップルは特に、iPhoneとアップルウォッチを軸にした治験エコシステムを築きつつある。
AI活用の要はデータだ。アップルはこの2つの製品を通じ、従来は簡単に入手できなかった患者の健康データを2つの方法で研究者に提供している。
ビッグデータに代わるデータの流れ

アップルは15年、治験での患者集めや、患者の健康状態の遠隔モニタリングを支える2つのオープンソースの枠組み「リサーチャーキット」「ケアキット」をスタートした。
これにより、研究者や開発者は日常生活をモニターできる医療アプリを開発できるようになった。
例えば、米デューク大学の研究者はアプリ「オーティズム(自閉症)・アンド・ビヨンド」を開発。iPhoneの前面カメラと顔認識アルゴリズムを使い、自閉症の子どもを早期発見する。
同様に、自分のデータを研究コミュニティー全体に共有することに同意したパーキンソン病患者を対象に、指先でのタッピングや歩行分析などのエクササイズから患者の状態を調べるアプリ「エムパワー」は、1万人近くの患者に使われている。スマホで集めたこのデータを機械学習で処理し、患者の重症度スコアを作成するアンドロイド端末向けアプリ「ホプキンスPD」などのバリエーションもある。
電子健康記録の共有を巡る改革
アップルは「ヘルス」アプリに参加する病院やクリニックから、iPhoneユーザーが自分の電子健康記録を入手できるようにした。この「ヘルスレコード」APIは、AIスタートアップの米Gliimpse(グリンプス)が16年にアップルに買収される前に手掛けていた機能を拡張したものだ。

すでに閉鎖されているグリンプスのウェブサイトの情報によると、同社の「中核技術は、医療文書をデータに変換し、検索できるようにしたり、重要なグラフやダッシュボードを作成したりすること」だという。これはアップルのヘルスレコード機能――アレルギーや健康状態、予防接種、健診結果、服薬、治療、バイタルなど必要なあらゆる情報が見つかる使い勝手の良いインターフェース――にぴったりだ。
アップルは互換性の問題を解決するため、米Cerner(サーナー)や米Epic(エピック)など電子健康記録を扱う企業とも提携した。こうした企業が患者生成データをアップルのソフトウエアに集約したくなるような双方向のデータフローを実現することが、提携の最終目標だ。
アップルは今や新しい医療データエコシステムの中核に位置し、これまで入手できなかった日常的なデータを提供する一方、断片的になりがちな電子健康記録の収集に励んでいる。
病気の早期診断や、医薬品設計の判断の支援、研究に最適な患者集め、そして治験期間を通じて患者の健康状態を遠隔モニタリングするためにAIと機械学習を活用する点に関しては、可能性は無限といえる。
この分野でアップルのライバルになる可能性があるのは米グーグルだ。グーグルの「プロジェクト・ベースライン」は患者1万人の日常生活を5年間モニタリングする目標を掲げており、いずれ臨床試験にメリットをもたらすことになりそうだ。
多くの臨床試験では実験群(治験薬を服用している患者)と対照群(偽薬を服用している患者)が設定される。対照群を設けるのは、実験群の症状と比較する基準にするためだ。患者はどちらの薬を服用しているか知らない場合が多い。
プロジェクト・ベースラインが収集しているような患者生成データは、対照群を不要にする可能性がある。対照群から収集する必要があるデータを提供し、被験者を集めるという難題も緩和してくれるからだ。ただし、このプロジェクトはまだ発足したばかりで、こうしたメリットを享受できるのは数年先になるだろう。
AIだけが特効薬にあらず
医療業界はいち早くAIを導入し、AIを活用した診断や電子健康記録からの情報抽出など、幅広い使い方を試している。
特にAIソフトウエアを使った創薬は本格化し、メルクと米Atomwise(アトムワイズ)、英グラクソ・スミスクライン(GSK)と米Insilico Medicine(インシリコ・メディシン)など製薬大手とスタートアップの提携が誕生している。
だが、治験分野でのAI活用はまだ始まったばかりだ。

医療の他の分野と比べると、治験分野では顧客を直接対象にしているスタートアップは少ない。しかも治験の多くの面では、AIよりもデジタル化の方が急務だ。
前述したように、多くの治験はいまだに紙の日誌からデータを収集している。こうした日誌は検索が難しい形式でデジタル保管されていることが多く、手書きのカルテは自然言語処理を使った情報抽出を困難にしている。
治験の最大のハードルの一つは、時代遅れのプロセスを刷新するために、現状を打破することだろう。
AIが有用な分野と現時点での限界を正しく理解しておくことも重要だ。研究者はAIがあらゆる問題を解決してくれる絵空事ではなく、達成可能な短期的目標に目を向けなくてはならない。今のところは、アップルが実践しているような新たなデータソースの生成や、患者にデータ管理を委ねることが治験分野にとって画期的になる。パーキンソン病患者の重症度スコアの作成といったAIの新しい活用法もしかりだ。
治験分野でのAI活用の最終目標は、患者が現在アクセスできる情報と、より健康で知識を持った生活を実現するために、長期的に必要になる情報との差を埋めることだろう。
関連キーワード