
臨床試験の計画は非常に複雑であり、リソース配分の最適化、効率性の向上、被験者登録目標の達成を実現するためには、運営面・臨床面・社会的要素すべてを慎重に考慮する必要があります。関連するデータが不足していると、計画が不十分になり、治験の成功を危うくする可能性があります。具体的には、不適切な組み入れ/除外基準、対象患者集団と合致しない施設選定、過度に複雑なプロトコルなどの課題が発生し得ます。こうした問題は、多数のプロトコル逸脱や修正、試験期間の延長、規制当局による遅延、予算超過を招き、製薬企業にとって大きな不満の原因となっています。
幸いなことに、AIを活用したテクノロジーの急速な進歩が、この臨床試験計画プロセスを変革しつつあります。これらの革新は、企業にデータドリブンのインサイトを提供し、試験開始前からリスクを先回りして軽減することで、より円滑な実行と優れた成果を実現できるようにします。
なぜ早期計画が重要なのか
早期の計画立案によって、潜在的なリスクや非効率を抑えるための戦略を特定・策定するための十分な時間を確保することができます。これには、適切な患者集団の選定、組み入れ/除外基準の最適化、測定すべきエンドポイントと指標の定義、理想的なサンプルサイズの決定、高パフォーマンスが期待できる施設の特定、適切な試験期間の設定、患者や施設への過大な負担を伴う活動の最小化、離脱率の低減などが含まれます。臨床試験における財務予測も早期計画の重要な要素であり、リソース配分の正確化、潜在的な資金不足の特定、財務的な実現可能性の確保、そして効率的な試験運営に寄与します。
Getz et al.(2022)の分析は、早期計画の重要性を裏付けています。この研究では、修正回数が少ないプロトコルは「計画」から「実際の」試験開始までの期間が長い傾向にあることが示されました。つまり、試験開始準備期間に十分な時間をかけることで、その後の変更や中断を減らすことにつながる可能性があるのです。
さらに、約40%の臨床研究施設が1人の患者も登録できず、約90%の臨床試験が患者募集の課題によって大幅に遅延していると推定されています(Bogin, 2022)。したがって「最初から正しく行うこと」は単なる決まり文句ではなく、試験を成功に導くための最適な条件を整える上で不可欠なのです。
臨床試験デザインにおけるAIと分析の活用事例
従来、臨床試験の計画は、断片的な経験や限定的で古いリアルワールドデータに基づいて行われることが一般的でした。しかし、デザインや運営の両面でますます複雑化する現代の試験を計画するうえでは、こうした方法は非効率であることが明らかになっています。AIやデータ分析ツールは、臨床・運営データの大規模かつ詳細なデータセットを解析することで、臨床試験計画における「勘頼み」を排除し、以下のプロセスを通じて試験を最適化することを可能にします。
科学的プロトコルレビュー
AIツールは、過去の臨床試験における成功と失敗に基づいた設計を反映することで、臨床試験プロトコルを改善し、プロトコル修正、逸脱、遅延の原因を減らし、試験成功の可能性を高めることができます。AIが提案するプロトコル設計または修正は、適切な患者集団を登録する可能性を高め、過去の試験データに基づいて組み入れ/除外基準を精緻化し、その基準が意図された患者集団を正確に捉えることを保証し、理想的なサンプルサイズを確立し、試験期間を決定することを可能にします。
AIは多様なデータソースを統合することで「デジタルツイン」を効率的に生成し、異なる組み入れ基準を仮定した試験デザインのテストや反復を可能にします。これらのモデルは、疾患進行や治療反応のシミュレーションなど、さまざまな目的に利用できます。患者がある治療にどのように反応するかを予測することで、研究者は現実世界に適用する前に介入を仮想的に評価することが可能になります。
オペレーショナル・プロトコル最適化
AIツールを活用することで、臨床オペレーションチームはプロトコル設計を評価し、その運用上の実現可能性を判断することができます。これにより、臨床開発チームとの間で、科学的目標と、競争の激しい環境におけるリクルートメント、リテンション、試験実施の現実的課題との間で、より情報に基づいたデータドリブンな協働を可能にします。AIは、類似試験と比較してプロトコル負担をベンチマークすることができ、施設や患者が受け入れ可能であると考えられる水準に基づいて複雑さを適切化することを支援します。
さらに、AI搭載のツールはプロトコルのシナリオをシミュレーションし、変更をモデル化して、その結果が登録スケジュール、離脱率、コストといった主要な運用成果に及ぼす影響を予測することができます。これにより、試験開始前に積極的でデータに裏付けられた調整を可能にします。これらはスクリーニング失敗を減らし、リクルートメントを改善し、最初の患者が登録される前にプロトコルが厳格でありながら実行可能であることを確実にします。
施設の実現可能性とリクルートメント
AI 搭載のツールは、異なる施設や患者集団の実現可能性を評価し、リクルートメント率が高く、より多様な患者集団を有する候補地を提案することができます。国、試験、施設レベルの大規模な臨床および運営データセットを分析することで、AI ツールは異なる地域の登録可能性を予測し、試験開始前に特定の高パフォーマンス施設を特定したり、低パフォーマンス施設に警告を出すことが可能です。これにより、試験計画者は国や施設選定に必要な指標を用いたデータドリブンな意思決定ができ、より効率的なグローバル試験フットプリントを構築することができます。シナリオ分析を活用すれば、さらに複数の施設や国の組み合わせや数を検証し、目標とするタイムラインを達成するために必要な試験フットプリントを最終化できます。最近の分析では、AI 駆動のサイト選定により、トップエンロール施設の特定が 30~50%改善され、さまざまな治療領域において被験者登録が 10~15%加速したことが示されています(McKinsey, 2025)。
さらに、AI 駆動のツールは臨床試験の多様性を高めるうえでも大きな役割を果たすことができます。これは、患者の人口統計を考慮して施設を選定し、より多様な患者層にアクセス可能な未対応地域における治験責任医師/クリニックを推奨することで実現されます(McKinsey, 2025)。
財務シナリオプランニング
AI 搭載の財務シナリオプランニングソリューションは、過去およびリアルタイムのデータを活用することで、予算予測とリソース計画を強化します。AI は臨床試験プロトコルのスケジュール・オブ・イベントを利用し、予定されているすべての患者訪問、評価、手順を抽出し、それらの活動を各コストにマッピングすることができます。これにより、動的な予算編成とリアルタイムのシナリオモデリングが可能となり、プロトコルの変更(追加訪問や手順の変更など)があった場合でも、財務予測やリソース要件に即時反映されます。AI 駆動の財務シナリオプランニングは、手作業によるエラーを削減し、透明性を向上させ、より正確で適応性のある臨床試験の財務シナリオプランニングを実現します。
試験計画における生成AIの役割
生成AIは、学習データから新しいコンテンツを生成するディープラーニングモデルを用いるもので、過去の試験から得られたインサイトに基づいて初期プロトコル設計や修正案を作成することで、治験計画を大きく支援することができます。生成AIはまた、実現可能性データを意思決定者にとって活用可能なインサイトへと統合し、計画プロセスをより効率的かつデータドリブンなものにします。
生成AIのもう一つの利点は、戦略計画や予算計画における「what-if」シナリオの生成を自動化できる点です。この機能により、試験計画者はさまざまなシナリオを検討し、試験デザインに対して積極的に調整を行うことが可能になり、試験計画プロセス全体を強化します。
AIを活用した臨床試験計画の利点とROI
臨床試験計画にAIを統合することで、多くの利点と大きな投資対効果(ROI)が得られます。
-
高額なプロトコル修正の削減:AIによるインサイトを活用することで、プロトコル修正を最小限に抑え、時間とリソースを節約できます。
-
First Patient In(FPI)までの期間短縮:最適化された計画によって、最初の患者登録までのタイムラインが加速し、試験開始を迅速化します。
-
患者アクセスと多様性の向上:AI分析により、臨床試験が多様な患者集団を含むように設計され、アクセス改善、代表性向上、結果の一般化可能性が高まります。
-
試験成功確率の向上:計画段階でリスクを軽減し、より早く正確な予算策定や財務計画を行うことで、試験成功の可能性が高まり、より信頼性のあるデータと成果につながります。
まとめ
臨床試験計画におけるAI駆動型テクノロジーの活用は、これまで長年にわたって存在してきた課題に対処するための、まさに必要とされていたパラダイムシフトを意味します。膨大な臨床および運営データセットとAIツールを組み合わせて活用することで、研究者は試験デザインを最適化し、早期にリスクを軽減し、全体的な効率を高めることが可能になります。その結果、臨床試験は「より賢明なスタート」を切ることができ、最初から成功に向けた適切な基盤を整えることができます。
Medidata の AI で、患者登録を始める前から試験成功への道を切り拓きましょう。
Contact Us
