AI臨床試験マッチング：患者と治験をつなぐ
見過ごされる治験の機会
臨床試験は新たな治療法へのアクセスを提供する重要な経路ですが、適格な患者のうち実際に試験に参加するのはわずか5〜10%と推定されています。理由の大半は「治験の存在を知らなかった」「適格基準の確認が煩雑」です。
ClinicalTrials.govには2026年時点で約50万件の試験が登録されています。この膨大な情報から、個々の患者に適した試験を見つけるのは、医師にとっても大きな負担です。
AIマッチングの仕組み
適格基準の自然言語処理
臨床試験の適格基準は自然言語で記載されており、「18歳以上80歳未満、ECOG PS 0-1、前治療2レジメン以下」のような条件を構造化データに変換する必要があります。
NLPモデルが以下を自動処理します。
- 条件の抽出: 年齢、疾患名、ステージ、バイオマーカー、前治療歴
- 否定表現の理解: 「〜を有さない患者」「〜の既往がない患者」
- 数値範囲の解析: 「eGFR 30以上」「血小板10万/μL以上」
患者データとのマッチング
電子カルテから抽出した患者データと、構造化された適格基準を自動照合します。
マッチングプロセス:
- 患者の診断名・ステージ・バイオマーカーで候補試験を絞り込み
- 除外基準（合併症、前治療、臓器機能）で不適格な試験を除外
- 残った候補をスコアリングし、最適な試験を推薦
LLMによるギャップ分析
完全にマッチしない場合でも、LLMが「あと何が分かれば適格性を判断できるか」を提示します。
例:
- 「HER2ステータスが不明です。IHCまたはFISH検査を実施すれば、試験Aの適格性を判断できます」
- 「前治療のプラチナ製剤の投与量が不明です。カルテを確認してください」
実用化の事例
腫瘍学での活用
がん治療は臨床試験マッチングの最大の適用領域です。特に：
- 分子標的治療: 特定の遺伝子変異をターゲットにした試験と、患者のゲノムプロファイルのマッチング
- 希少がん: 情報が分散しやすい希少がんの試験を網羅的に検索
- 再発・難治例: 標準治療が奏効しない患者に、新たな治療オプションを提示
Tempus、Flatiron Health、Foundation Medicineなどが、ゲノムデータと臨床試験のマッチングプラットフォームを提供しています。
希少疾患での活用
希少疾患は定義上患者数が少なく、適格な患者を見つけること自体が試験の最大の課題です。AIマッチングにより：
- 複数の施設にまたがる患者を効率的にスクリーニング
- 表現型の類似性に基づくマッチング（診断名が確定していない段階でも候補を提示）
- 地理的に離れた施設の試験も検索対象に含める
日本での課題と展望
課題
- 電子カルテの標準化: 施設ごとにデータ形式が異なり、自動抽出が困難
- 日本語の適格基準: 英語の試験情報が主流で、日本語対応が遅れている
- jRCT/UMINとの連携: 日本の試験登録データベースとの自動連携が未整備
展望
- 2026年以降、AMEDのリアルワールドデータ基盤整備により、電子カルテデータの標準化が進む見込み
- 大学病院のGCPセンターでAIマッチングの導入試験が始まっている
- 国際共同治験では、グローバルなマッチングプラットフォームの活用が標準化しつつある
医師ができること
- 患者へのアンテナ: 「この患者は試験の候補になるかもしれない」という意識を持つ
- AIツールの活用: ClinicalTrials.govの検索にAIツールを併用し、見落としを防ぐ
- データの整備: 電子カルテの記載を構造化し、AIが読み取りやすい情報を残す
臨床試験マッチングは、AIが「正しい患者に正しい治療を届ける」という医療の根幹を支える技術です。