AI臨床意思決定支援の急速な台頭
世界中で、テクノロジー企業が臨床意思決定支援（CDS）のための人工知能（AI）を活用したツールの開発を競っており、2033年までに150億米ドルに達すると予測される世界市場をターゲットにしている。大規模言語モデル（LLM）を搭載した新世代のAIツールは、開発段階から臨床現場へ急速に移行している。医療システムやテクノロジー企業はこれらのツールを臨床ワークフローに統合し、より迅速なエビデンス統合とベッドサイドでのより迅速な意思決定を約束している。しかし、CDSシステムが実践に移行するにつれて、それらがどのように評価されるのか、その使用を支持するエビデンスは何か、そして大規模にどのように統治されるのかという根本的な疑問が残っている。
医療におけるAIの可能性は長い間宣伝されてきたが、自然言語処理と生成AIの最近の進歩により、導入のペースが加速している。初期のルールベースのシステムとは異なり、現代のCDSツールは構造化されていない臨床ノートを読み取り解釈し、膨大な量の医学文献を統合し、リアルタイムで個別化された推奨事項を生成することができる。この能力は、診断精度の向上、管理業務の負担軽減、より効率的なケア提供の可能性を見出す臨床医と管理者の両方の注目を集めている。
主要プレーヤーと多様な戦略
市場シェアを争う米国のリーダーの中には、ChatGPTなどの汎用消費者向けAIツールや、Abridge、Atropos Health、OpenEvidenceなどの専門CDSシステムが含まれる。これらの専門CDS企業は、この分野が今後どのように発展するかについて異なる意見を持っている。
ピッツバーグに本拠を置くAbridgeは、臨床医と患者の会話を聞き取り、臨床ノートやその他のワークフロー支援ツールを自動生成するアンビエントAI技術を開発している。文書化を自動化することで、Abridgeは医師の burnout を軽減し、患者との対話の時間を増やすことを目指している。同社のアプローチは、既存の電子健康記録（EHR）システムにシームレスに統合し、臨床医が編集・承認できるリアルタイムの文字起こしとノート生成を提供することに焦点を当てている。
ボストンに本拠を置くOpenEvidenceは、米国の臨床医の間で「最も広く使用されている医療AI」であると同社が主張するAIツールを医師に直接販売している。このプラットフォームは、公開された文献から利用可能な最良のエビデンスを抽出し、臨床質問に対する簡潔でエビデンスに基づいた回答を臨床医に提供することに焦点を当てている。OpenEvidenceのCEO兼創業者であるDaniel Nadler氏は、AIがエビデンス統合の「標準治療」部分の多くを自動化し、医師が複雑な症例や患者とのコミュニケーションに集中できる未来を構想している。
スタンフォード大学からスピンアウトしたAtropos Healthは、従来の正式に発表されたエビデンスにギャップがある状況で、臨床医が新しい質問をできるように設計されたCDSシステムを推進している。患者記録からの実世界データを活用することで、Atroposはその場でエビデンスを生成し、既存の研究でカバーされていない臨床的不確実性に対処することを目指している。このアプローチは、エビデンスに基づく医療からエビデンスを生成する医療への移行を表しており、AIがデータからほぼリアルタイムで実用的な洞察を生み出すことができる。
データ基盤：電子健康記録とアンビエント・スクライブ
CDSシステムを動かすデータは、ますます患者記録から直接得られるようになっている。過去10年間で、疾患の兆候を追跡し、臨床医に警告を発するために患者データを自動的にスキャンする電子健康記録（EHR）は、世界中の多くの医療システムで普及している。しかし、臨床医と患者の診察を自動的に臨床記録に書き起こす「アンビエント・スクライブ」が約3年前に大量採用されるまで、AIを活用したCDSが本格的に実用化される準備が整ったとは言えなかった。
アンビエント・スクライブは、臨床データの捕捉方法に革命をもたらした。会話から構造化されたノートを自動生成することで、臨床医の文書化負担を軽減し、EHRデータの完全性と正確性を向上させた。この豊富でリアルタイムなデータストリームは、AIアルゴリズムが学習し洞察を生成するための燃料となる。Nadler氏が指摘するように、目標はエビデンス統合の「標準治療」部分の多くを自動化し、最新の医学知識をケアの現場で利用できるようにすることである。
しかし、EHRデータへの依存は、データの質、バイアス、相互運用性に関する懸念を引き起こす。EHRは、機関ごとに形式やコーディング慣行が異なり、断片化されていることで有名である。そのようなデータで訓練されたAIモデルは、ケアの格差につながる可能性のあるバイアスを継承する可能性がある。さらに、AIツールを臨床ワークフローに統合するには、システム間のシームレスなデータ交換が必要であり、これは技術的および規制上の課題のままである。
エビデンスのギャップ：評価とガバナンスの課題
CDSシステムが実践に移行するにつれて、重要な疑問が浮上する：エビデンスは追いつくことができるのか？従来の臨床試験は遅くて費用がかかり、結果を出すのに数年かかることが多い。対照的に、AIツールは頻繁に更新され、新しいデータが利用可能になるにつれて推奨事項が変わる可能性がある。これは、イノベーションのペースとエビデンス生成のペースの間にミスマッチを生み出す。
米国食品医薬品局（FDA）などの規制機関は、AIベースの医療機器の枠組みを確立し始めているが、多くのCDSツールは市販前審査の対象ではない。FDAは臨床意思決定支援ソフトウェアに関するガイダンスを発行しているが、規制対象と非規制ツールの境界は依然として曖昧である。一部のツールは「低リスク」と見なされ、市販前通知が免除される一方、他のツールはより厳格な審査が必要である。この規制の不確実性により、より明確なガイドラインと市販後監視メカニズムを求める声が上がっている。
さらに、多くのAI CDSツールのエビデンス基盤は薄い。最近の系統的レビューでは、AIベースのCDSシステムのうち前向き臨床試験で評価されたものはほとんどなく、ほとんどの研究はサンプルサイズが小さい、対照群がない、追跡期間が短いなどの方法論的欠陥に苦しんでいることがわかった。堅牢なエビデンスの欠如は、臨床医や医療システムがこれらのツールの採用について情報に基づいた決定を下すことを困難にしている。
ガバナンスももう一つの大きな懸念事項である。AIの推奨が誤診や有害な結果につながった場合、誰が責任を負うのか？AIツールが安全で効果的であり続けることを確実にするために、どのように監視し更新すべきか？これらの質問は、AIツールがより自律的になり、救命救急経路に統合されるにつれて特に緊急である。
前進への道：イノベーションとエビデンスのバランス
これらの課題にもかかわらず、AI CDSの潜在的な利点は無視するには大きすぎる。AIは、膨大な量のデータを統合し、人間が見逃す可能性のあるパターンを特定し、リソースが限られた環境で意思決定支援を提供する能力を持っている。これらの利点を実現するために、利害関係者は協力して、堅牢な評価フレームワーク、透明性のある報告基準、適応的な規制経路を開発する必要がある。
有望なアプローチの1つは、従来の試験を補完するために「生きた」系統的レビューと実世界エビデンスを使用することである。実際の環境でAIツールを継続的に監視することにより、研究者はパフォーマンス、安全性、意図しない結果に関するエビデンスを生成できる。このアプローチには、開発者、臨床医、研究者、規制当局の協力と、データインフラと分析への投資が必要である。
もう一つの重要な側面は、臨床医の関与である。AI CDSが受け入れられ、効果的であるためには、臨床医がツールを信頼し、その限界を理解する必要がある。これには、教育とトレーニング、およびAIの推奨がどのように生成され、どのようなエビデンスがそれらを支持するかについての透明性のあるコミュニケーションが必要である。
最後に、基準と規制の国際的な調和の必要性がある。AI CDSツールはグローバルな製品であり、国によって規制要件が異なると、イノベーションとアクセスが妨げられる可能性がある。国際医療機器規制当局フォーラム（IMDRF）などの協力的な取り組みは、AIベースの医療機器の共通原則に向けて取り組んでいるが、やるべきことはまだ多い。
結論
AIを活用した臨床意思決定支援は、大規模言語モデルの進歩と電子健康データの普及によって急速に拡大している。市場は急成長しており、Abridge、OpenEvidence、Atropos Healthなどの企業が革新的なアプローチで先導している。しかし、これらのツールのエビデンス基盤はまだ発展途上であり、評価、ガバナンス、規制には依然として重大な課題が残っている。
AIが医療を変革し続けるにつれて、厳格な評価と慎重な監視でペースを維持することが不可欠である。AI CDSツールが安全で効果的かつ公平であることを保証することによってのみ、患者ケアと転帰を改善する可能性を完全に実現できる。
この記事はNature Medicineの報道に基づいています。元の記事を読む。
Originally published on nature.com