患者データが医療の未来を牽引する

医療におけるAI競争は、機械が医療情報を生成できるかどうかという問いから、より重要な問いへとシフトしています。それは、AIが臨床医や研究者がすでに保有している患者データと連携できたときに何が起こるか、ということです。

最近の3つの展開が、そのシフトの方向性を示しています。

まず、OpenAIは最近、認可された Epic electronic health record data、患者固有の臨床コンテキストをAIワークフローに取り入れ、医師が断片化された医療記録を検索する時間を削減できる可能性があります。

次に、ヘルスケアデータと分析を手掛けるPurpleLabが、立ち上げました CARES、膨大な実世界医療データを活用した研究支援の取り組みです。

そして最後に、ハーバード医科大学の研究者は、開発しました 既存の健康記録と遺伝情報を活用し、数百の疾患リスクを推定するAIモデルです。

総合すると、これらは医療分野で長らく推測されてきたことを示唆しています。すなわち、患者データが医療業界におけるケアイノベーションの最も価値ある資産の一つとなり得るということです。

これら最近の患者データに関するブレークスルーをそれぞれ詳しく見ていきましょう。

電子カルテからAIアシスタントへ

9月1日、OpenAIはChatGPT for Healthcare向けのEpic統合を発表し、認可された医療機関が患者情報をAI支援ワークフローに取り込めるようにしました。

この統合により、医師は医療ノート、投薬、検査結果、過去の診療などの情報を、記録の異なる部分から手作業で患者の履歴を組み立てることなく確認できるようになります。

このシステムは読み取り専用であり、AIが医療記録を独自に変更することはありません。

この違いは重要です。直近の機会はEHRを置き換えることや、AIシステムが単独で意思決定することではなく、医師が情報を探し出し統合する時間を短縮することにあります。

OpenAIはまた、ChatGPT for HealthcareをPubMed、ClinicalTrials.gov、DailyMed、CMSデータなどの公式公開情報源にも接続しています。

より大きな考え方は、患者のコンテキストと外部の医療エビデンスを同一ワークフローで組み合わせることです。

実世界データを研究により有用にする

PurpleLabは、ヘルスケア分野で実世界エビデンス（RWE）や実世界データ（RWD）などに注力するデータ・分析会社で、最近、研究者、学術機関、エビデンスネットワーク、患者コミュニティが実世界データをより効果的に活用できるよう支援することに焦点を当てたCenter for Advancing Real-World Evidence Studies（CARES）を立ち上げました。

その意義は単にデータを増やすことに留まりません。

医療研究者は長らく、一貫性のない定義、断片化されたデータセット、過去の研究の再現性の困難という問題に直面してきました。

CARESは、再現可能な研究、透明性のある手法、学術的パートナーシップ、患者中心の研究を基盤としています。

PurpleLabは、研究者が同社の実世界データセットを用いて、腫瘍学、心臓病学、メンタルヘルス、希少疾患などの領域における治療パターン、アウトカム、医療費を研究できると述べています。

成功すれば、このような取り組みは日常的に生成される医療情報を、従来の臨床研究が必ずしも迅速に回答できない質問に答えるエビデンスへと転換するのに役立つでしょう。

「実世界エビデンスは、厳密で、ピアレビューされ、オープンに共有されているときに最も強力です。PurpleLab CARESを通じて、私たちのデータが研究者、学術パートナー、患者コミュニティの手に渡ったときに何ができるかを示しています」と、PurpleLabのシニアバイスプレジデント（Real-World Evidence）であるScott DuVall氏は述べました。

病気が現れる前の予測

ハーバードで、研究チームは患者データを予測エンジンに変換しています。

Dana-Farber Cancer Institute と Massachusetts General Hospital の研究者が開発した機械学習モデルは、日常的に収集される電子カルテ（EHR）と遺伝的リスク情報を組み合わせて、患者の348疾患リスクを推定することができます。

Aladynoulli と呼ばれるこのモデルは、3つのバイオバンクにわたる68万3千件以上の患者記録データを用いて訓練および検証されました。

研究者によれば、このモデルは患者が年齢を重ねるにつれてリスク評価を動的に更新できるとのことです。

그 잠재력은 상당합니다. 의료 기록을 과거에 일어난 일의 기록으로만 보는 대신, AI는 이를 점점 더 활용해 앞으로 일어날 가능성이 있는 패턴을 식별할 수 있습니다.

하지만 여기서 주의가 필수적입니다. 현재까지 모델은 과거 환자 데이터를 사용해 평가되었으며, 실제 임상 환경에서 어떻게 작동하는지 판단하기 위해서는 추가 연구가 필요합니다.

진정한 과제는 신뢰

따라서 의료 AI의 미래는 알고리즘이 얼마나 인상적인가보다 그 뒤에 있는 데이터가 정확하고, 대표성이 있으며, 안전하고, 책임 있게 관리되는가에 달려 있을 것입니다.

환자 데이터는 수년간의 의료 기록에서 인간이 식별하기 어려운 패턴을 드러낼 수 있습니다. 그러나 같은 기록에는 개인이 생성하는 가장 민감한 정보도 포함되어 있습니다.

보건 의료 기관이 전자 건강 기록(EHR), 연구 데이터베이스 및 AI 시스템을 연결함에 따라 핵심 질문은 AI가 환자 데이터에서 더 많은 가치를 추출할 수 있는가가 아니라는 점입니다.

그 질문은 의료 시스템이 환자 신뢰를 잃지 않고 이를 수행할 수 있느냐가 될 것입니다.

보다 나은 정보와 책임 있는 사용 사이의 균형이 궁극적으로 AI가 연구실을 넘어 일상 의료 현장으로 얼마나 확장될지를 결정하게 될 것입니다.