メインコンテンツへスキップ
Hoshizu
5 / 27|10分で読めます

AI支援の系統的レビュー手法

スクリーニング、データ抽出、メタアナリシスまで。系統的レビューの全工程をAIで効率化する実践手法。

AI支援の系統的レビュー手法

系統的レビューの現状

系統的レビューは、エビデンスに基づく医療（EBM）の頂点に位置する研究手法です。しかし、その実施には膨大な時間と労力が必要です。

  • 完成までの平均期間：67週間（約1年3か月）
  • スクリーニングする論文数：平均 数千〜数万件
  • データ抽出にかかる時間：1論文あたり 30分〜2時間
  • 2人の独立した評価者による二重チェックが標準

この労力の大きさが、系統的レビューの更新を遅らせ、「出版時にはすでに古い」という問題を引き起こしています。Cochrane Reviewの多くは、最新のエビデンスを反映できていません。

Borah らの2017年の研究によると、系統的レビューの完成までに要する期間は中央値67.3週間（IQR: 40-87週間）でした。AIツールの導入により、特にスクリーニング段階の効率化が進んでいます。

AI支援の系統的レビューワークフロー

プロトコル作成（PROSPERO登録）

研究目的、検索戦略、組入基準、データ抽出項目を事前に規定。PROSPEROに登録して透明性を確保。

網羅的文献検索

複数データベース（PubMed, Embase, CINAHL, Cochrane CENTRAL等）での検索。AIで検索式を最適化。

重複除去

複数データベースの重複をEndNote、Zotero、またはSyRF等で自動除去。

AIスクリーニング

タイトル・抄録スクリーニングをAIが優先順位付け。高確率の論文から順に人間がレビュー。

全文スクリーニング

AIが全文PDFから組入基準との適合性を評価。除外理由の候補を自動生成。

データ抽出

AIが論文からPICO要素、結果数値、バイアスリスク情報を構造化抽出。

質評価・メタアナリシス

バイアスリスク評価をAIが支援。可能であればメタアナリシスを実施。

AIスクリーニングツールの比較

Rayyan

Rayyanはカタール大学が開発した無料のAIスクリーニングツールです。

主な機能：

  • 半自動的なスクリーニング支援（AIが関連度を予測）
  • ラベル・ハイライト機能でキーワードを視覚化
  • 複数レビュアーの意見の不一致を管理
  • RISファイルのインポート・エクスポート
  • 無料で利用可能

ASReview

ASReview（Amsterdam）は、能動学習（Active Learning）を使ったオープンソースのスクリーニングツールです。

主な機能：

  • 能動学習で最も関連性の高い論文を優先的に提示
  • スクリーニングの進行とともに学習が改善
  • 残りの論文数の推定（停止基準の支援）
  • Python ベースでカスタマイズ可能
  • 完全オープンソース・無料

Covidence

CovidenceはCochrane公認のレビュー管理プラットフォームです。

主な機能：

  • 検索結果のインポートから出版まで一気通貫
  • AIスクリーニング支援機能
  • 構造化されたデータ抽出フォーム
  • リスクオブバイアステーブルの自動生成
  • Cochrane Reviewとの直接連携
  • 有料（機関ライセンスあり）
手動スクリーニングAIスクリーニング

全論文を順番に1本ずつ評価。関連性の低い論文にも同じ時間をかける。途中でスクリーニング基準がぶれやすい。2人のレビュアーの作業量が均等に膨大。5,000件のスクリーニングに2-4週間。

AIが関連度スコアで優先順位付け。高関連度の論文から順にレビュー。AIのスコアがスクリーニング基準の一貫性を支援。関連論文が概ね見つかった時点で停止判断が可能。5,000件のスクリーニングが数日〜1週間に短縮。

ASReviewの実践ワークフロー

データのインポート

PubMed等からエクスポートしたRISファイルをASReviewにインポート。タイトル、抄録、著者情報が読み込まれる。

事前知識の入力（Prior Knowledge）

既に「関連あり」「関連なし」と分かっている論文をそれぞれ数本ラベル付け。これがAIの学習の出発点になる。最低5本ずつが推奨。

能動学習によるスクリーニング

AIが最も関連性が高いと予測する論文を順次提示。レビュアーが「Include」「Exclude」を判断するたびにAIモデルが更新される。

停止基準の適用

連続して一定数（例：100本）のExcludeが続いた場合、残りの論文は概ね無関連と判断できる。ただし、系統的レビューでは全件スクリーニングが推奨される。

AIスクリーニングは便利ですが、系統的レビューの方法論的要件を緩めるものではありません。Cochrane Handbookは2人の独立したレビュアーによるスクリーニングを要求しています。AIは「第三のレビュアー」として、あるいはスクリーニングの効率化ツールとして使用してください。AIのみによるスクリーニングは、現時点では系統的レビューの方法論的基準を満たしません。

AIによるデータ抽出

系統的レビューで最も時間のかかる作業の一つがデータ抽出です。AIを使って効率化する方法を解説します。

プロンプト

以下の論文から、系統的レビューのためのデータを抽出してください。

[論文のタイトル、抄録、または全文テキストを貼り付け]

以下の項目を抽出してください：

  1. 基本情報: 著者、年、国、ジャーナル、研究デザイン
  2. 対象集団: サンプルサイズ、年齢（平均±SD）、性別比、組入基準、除外基準
  3. 介入: 介入内容、用量、期間、投与経路
  4. 比較対照: 対照群の内容
  5. 主要アウトカム: 定義、測定方法、測定時期
  6. 結果: 主要結果（効果量、95%CI、p値）、副次結果
  7. バイアスリスク情報: ランダム化方法、盲検化、脱落率、ITT解析の有無
  8. 資金源・利益相反: 製薬企業のスポンサー有無

抽出した情報に不明点がある場合は「Not reported」と記載してください。推測で補完しないでください。

PRISMAフローダイアグラムの作成

プロンプト

以下のスクリーニング結果から、PRISMA 2020フローダイアグラムのテキストを作成してください。

データベース別ヒット数:

  • PubMed: [件]
  • Embase: [件]
  • CINAHL: [件]
  • Cochrane CENTRAL: [件]

追加検索（引用追跡、ハンドサーチ等）: [件] 重複除去後: [件] タイトル・抄録スクリーニング後（除外数と主な理由）: [件] 全文スクリーニング後（除外数と各理由）: [件] 最終組入数: [件]

  • 定量的統合（メタアナリシス）に含めた数: [件]
  • 定性的統合のみ: [件]

PRISMA 2020の新しいフロー（レジスター/ウェブサイト検索を含む）に従ってください。

リビングシステマティックレビュー

AIの力を活用すると、「リビング（継続更新型）」系統的レビューが実現可能になります。

リビングシステマティックレビューとは、新しいエビデンスが出版されるたびに検索・スクリーニング・統合を更新し続ける系統的レビューです。従来は人的リソースの制約から困難でしたが、AIスクリーニングと自動文献モニタリングの組み合わせにより、現実的な選択肢になりつつあります。

リビングレビューの設計

  1. 自動アラート設定: PubMedのMy NCBIアラートやSemantic ScholarのResearch Feedsで新着論文を自動検出
  2. AIスクリーニング: 新着論文をASReviewの学習済みモデルで自動分類
  3. 定期更新サイクル: 月次または四半期ごとにデータ抽出と統合を更新
  4. バージョン管理: 各更新版を明確にバージョニング

この章のポイント

AIは系統的レビューの全工程を加速します。特にスクリーニング段階ではASReviewやRayyanの能動学習が劇的な時間短縮を実現します。ただし、AIツールは方法論的な厳密性を補完するものであり、置き換えるものではありません。2人のレビュアーによる独立評価、PRISMA準拠の報告、事前プロトコルの登録といった基本原則は変わりません。