研究者やケアチームは何十年にもわたって乳癌やその他の癌の課題に取り組んできましたが、今日、組織が癌と戦う方法は根本的に異なっています。私は腫瘍学の研究者、医療システム、ライフサイエンス企業と時間を過ごしてきましたが、圧倒的に、「大量のデータがある」「データをどのように整理するか」という会話から、「システムで何ができるか」へとシフトしています。
腫瘍学は、他のほぼすべてのドメインよりも、異種でリスクの高いデータを生成します。ゲノム配列、病理画像、臨床ノート、請求記録、ウェアラブル信号は、歴史的に臨床医のために機能するのではなく、システム間で断片化され、意思決定が最も重要なときに組み立てるのが遅れてきました。
エージェント型AI（マルチステップのワークフロー全体で推論、計画、行動するシステム）は、腫瘍学の連続体全体でそのギャップを埋め始め、ヘルスケア・ライフサイエンスをサイロ化されたデータからAIの実験、さらには測定可能な影響へと移行させています。この記事では、研究室からサバイバーシップまでのジャーニーをたどり、この取り組みを推進している組織に焦点を当てます。
5つの段階、5つの長年のボトルネック
腫瘍学の連続体には5つの接続された段階があり、それぞれに長年のデータの問題があります。創薬と研究のチームは、サイロ化されたままの分子およびゲノムデータセットに依存しています。スクリーニングと早期発見は、画像、バイオマーカー、電子健康記録（EHR）データ、家族歴をまとめるのが困難です。診断と治療計画では、多くの場合、腫瘍ボードが患者プロファイルを手動で不完全に組み立てる必要があります。治療とケアの調整は、サイトやシステム間で断片化されたマルチモーダルなリアルワールドデータに依存しています。寛解とサバイバーシップは、臨床的ニーズから何年も遅れる可能性のあるエビデンスを生成します。
これらの問題は複合的です。発見を遅らせるのと同じデータの失敗が、適切な患者が適切な試験に到達するのを遅らせる可能性があります。5つのボトルネックはすべて、同じ根本原因にたどり着きます。連続体全体で推論できる統合されたデータ基盤はありません。
ここでの「エージェント」の実際の意味と基盤ファーストのアプローチ
従来のAIは質問に答えます。エージェント型AIは、人がそれぞれをトリガーする必要なく、複数のステップにわたって計画および実行します。
ただし、AIはそれを管理するデータ基盤と同じくらい効果的です。癌データはスプレッドシートではありません。ゲノム配列、病理画像、非構造化ノート、請求記録、ウェアラブル信号は、本質的に複雑でマルチモーダルです。これらはケアを前進させるために必要な貴重な洞察をもたらしますが、組織がそれらを一緒に取り込み、統合し、推論できる場合に限られます。ゲノム変異には臨床的背景が必要です。画像所見は、分子マーカーや治療歴とともに意味を持ちます。
シーケンス結果を受け取り、類似の患者プロファイルと比較し、公開されている試験を特定し、実現可能性をモデル化し、腫瘍ボードの要約を準備するエージェントを考えてみてください。これらはすべて単一のデータイベントから行われます。マルチモーダルなデータインフラストラクチャ、基盤モデル、管理されたAIプラットフォームの融合により、これが運用上実行可能になっています。
しかし、規制されたデータとワークフローに作用するエージェント機能には、異なるレベルの精査が必要です。保護対象保健情報（PHI）を保護し、HIPAAなどの業界標準へのコンプライアンスをサポートするために、ガバナンスとセキュリティは、後から追加するのではなく、最初からエージェント戦略に組み込む必要があります。臨床的背景における誤った回答の影響は、誤ったダッシュボードをはるかに超える影響を及ぼし、患者アウトカムに影響を与える可能性があります。これは、監査可能性、アクセス制御、エージェントのガードレール、および人間をループに留めておくための明確なルールがミッションクリティカルであり、エージェントのジャーニーのフロントエンドで考慮されるべきであることを意味します。
エージェント型AIが真の影響を生み出している場所
創薬と研究
最初のボトルネックであるサイロ化された分子およびゲノムデータは、エージェント型AIが初期の有望性を示している場所です。腫瘍学の医薬品開発は、95%を超える持続的な減少率を抱えており、JAMA Network Openの2023年の調査によると、失敗した腫瘍学試験に毎年500億ドルから600億ドルが費やされていると推定されています。
エージェントシステムは、ゲノム、構造、文献のデータを1つの推論チェーンで横断できます。実行可能な候補を早期に表面化し、ラボの前に可能性の高い障害モードにフラグを立て、新しい発見を継続的に組み込むことができます。実際の結果として、仮説から実行可能な化合物へのパスが速くなり、研究チームは最も強力な機会により多くの時間を費やすことができます。
スクリーニングと早期発見
2番目のボトルネックである、決して収束しないマルチモーダルな信号は、深く人間的な問題を引き起こします。生検後、患者は病理学を待つために2〜6週間を費やす可能性があり、分子バイオマーカー検査やゲノムシーケンスが必要な場合はさらに遅れます。その間、彼らは不確実性の中に置かれ、次に何が起こるかを計画したり理解したりすることができず、病気に対して陽性か陰性かを知りません。
AIはこれらのワークフローの一部を圧縮しています。AI駆動の画像トリアージは、時間的制約のある所見を優先することで、ターンアラウンドを数日から数分に短縮できます。デジタル病理学はスライド分析を変革し、計算科学を使用して以前は手動だったワークフローを加速できます。米国の現実世界の大規模なスクリーニング調査では、AIがサポートするワークフローにより、標準的なマンモグラフィレビューよりも21.6%多くの乳癌が特定されたことがわかりました。
エージェントの機会は収束にあります。画像所見、バイオマーカーの結果、EHRリスクフラグ、家族歴のパターンを一緒に検討し、待機を生み出す順次手動アセンブリを置き換えます。臨床的影響はより迅速な診断です。人的影響は、宙ぶらりんの週数が減ることです。
診断と治療計画
腫瘍ボードは、腫瘍学の最も重要で最も手動のワークフローの1つです。臨床医は、多くの場合、激しい時間的圧力の下で、異種のシステムからゲノムプロファイル、病理学、画像、治療歴を組み立てます。
新しい診断結果によってトリガーされるエージェントシステムは、それらのソースを収集し、患者の概要を構造化し、試験の適格性を相互参照し、ボードが招集される前に資料を表面化することができます。それは臨床的判断の準備を整え、専門家にゼロから始めるのではなく、議論のためのより完全な出発点を提供します。
ここでの人的影響は現実的です。回答を待つ時間が短縮され、治療までの時間が短縮されます。
治療とケアの調整
4番目のボトルネックである断片化されたマルチモーダルなリアルワールドデータは、腫瘍学の持続的な失敗の1つに貢献しています。臨床試験の恩恵を受ける可能性のある患者は、登録されないことがよくあります。
エージェントのワークフローは、複雑な試験基準全体で、ほぼリアルタイムで適格なコホートを特定できます。また、スポンサーがまだ行動する時間がある試験の開始前に、試験の実現可能性、登録のタイムライン、サイトの容量、プロトコルの複雑さをモデル化することもできます。これにより、試験の運用が事後対応型の登録からプロアクティブなマッチングに移行します。
寛解とサバイバーシップ
最後のボトルネックである、臨床的ニーズに遅れをとるエビデンスの生成は、規制当局、支払者、医療システム、患者に影響を与えます。エージェントのワークフローは、治療データ、有害事象のフィード、長期生存シグナルからリアルワールドエビデンスを継続的に構造化し、エビデンスの生成を遡及的な1回限りの演習から、規模に合わせて製品化されたプロアクティブで継続的なプロセスに移行できます。これらの同じワークフローは、処方箋の補充パターン、患者が報告した症状、フォローアップスケジュールの欠落などのアドヒアランスシグナルを監視し、早期介入が再発率に意味のある影響を与える可能性のある内分泌治療などの長期療法の継続を中止するリスクのある患者にフラグを立てることができます。
その作業は、データの可用性、研究デザイン、ガバナンスに応じて、治療から洞察までのパスを数年から数か月に圧縮できます。また、ループを閉じます。サバイバーシップ中に生成されたリアルワールドエビデンスとアドヒアランスパターンは、次の発見プログラム、試験デザイン、治療戦略に情報を提供すると同時に、まだ治療を受けている患者の再発リスクを軽減するのに役立ちます。
ヘルスケア向けにAIを実現する組織
AstraZeneca
Snowflake Cortex AIを使用して、AstraZenecaはデータプロダクトの作成を劇的に加速し、16人のエンジニアで6か月かかっていた開発時間を2人でわずか4日に短縮したと報告しました。効率の向上により、118を超えるデータプロダクトが生まれ、数千時間の生産性が解放され、1,000万ドル以上の節約になりました。重要なことに、これらの進歩は、早期の肺疾患の検出を改善することを目的とし、場合によっては最大90%の生存率の増加に関連しているAI駆動の胸部X線などのAIドリブンのイノベーションを推進します。データプロセスが大規模に最適化されたことで、AstraZenecaはさらに多くのイノベーションを推進し、ライフサイエンスセクターで改善された患者アウトカムを提供するのに適した立場にあります。
Zelis Healthcare
Zelis Healthcareは、統合された基盤から本番エージェントへの移行という次のステップを示しています。Zelisはデータ基盤全体をSnowflakeに移行し、現在、Snowflake Openflowを通じて40を超えるソースからほぼリアルタイムのデータを取り込んでいます。その基盤が整ったことで、同社のチームは20を超える本番エージェントを展開し、1日でPoCエージェントを構築し、2日後に完全な本番環境に移行しました。これにより、ほぼリアルタイムの回答が提供され、コアデータチームへの需要が減少しました。Zelis Healthcareのデータエンジニアリング（Zelis Data Cloud）担当シニアディレクターであるLakshman Pindikur氏は、その進歩の背後にある基盤について次のように説明しています。「Snowflake CoWorkを通じてユーザーを迅速に有効にすることができます。すべてのデータをSnowflakeに取り込むための頼りになるツールとしてOpenflowを使用し、エンタープライズグレードのセキュリティとガバナンスのためにHorizonカタログを使用しています。」
単一の実装よりも、より広範なパターンが重要です。研究機関は、臨床、ゲノム、画像のデータをまとめています。プロバイダーは、治療歴と試験業務を結び付けています。リアルワールドエビデンスおよび医療経済・アウトカム研究（HEOR）チームは、請求、EHR、レジストリ、患者生成データを組み合わせて、質問に迅速に回答しています。エージェント型AIは、専門家が決定を制御できるようにしながら、システム間で作業を調整する方法をこれらの組織に提供します。
作業はすでに始まっています
テクノロジーは、組織が現在それを使って何をしているか、つまりエージェント型AIを実験から癌のジャーニー全体での測定可能な成長と効率に変えることよりも、抽象的には重要ではありません。彼らは、断片化されたエビデンスを結び付け、研究者をサポートし、試験計画を改善し、臨床医に各患者のジャーニーのより完全なビューを提供することでそうしています。
組織がこの分野でどのように進歩を推進しているかを確認するには、国立がん研究所（NCI）がエンタープライズデータプラットフォームを近代化して、柔軟性を高め、コストの透明性を向上させ、将来のイノベーションをサポートした方法についてお読みください。
