ニュースの概要
米国のAlethiosが、分散型臨床試験（DCT）向けの研究基盤を拡充した。新たな仕組みでは、被験者が入力するePRO、Apple WatchやOuraなどのウェアラブル端末、センサーから得られる情報、AIで解析するデジタルバイオマーカー、在宅で実施する生体試料検査を一つの環境にまとめられる。研究者はStudy Planner上で各データ源をノーコード接続でき、複数の外部業者を個別に調整する負担を抑えながら、遠隔で幅広いデータを集められる設計だ。
引用元: Alethios、ウェアラブル・デジタルバイオマーカー・在宅検査を統合したDCT基盤を拡充（NutraIngredients）
分析・見解
データを集める道具から研究設計の基盤へ
これまでのDCTは、電子質問票、腕時計型端末、採血キットなどを別々に導入し、最後にデータをつなぐケースが少なくなかった。Alethiosの意義は、機器の数を増やしたことではなく、研究計画の段階でデータの流れを一つに設計できる点にある。質問票で症状を確認し、その前後の睡眠、活動量、心拍変動を同じ参加者単位で並べれば、単独の回答よりも変化の背景を読みやすくなる。
ただし、統合は自動的に有用な証拠を生むわけではない。取得時刻、測定条件、欠測の理由をそろえなければ、データ量が増えるほど判断を誤る可能性も高まる。便利な画面より先に、何を主要評価項目にするか、どのデータを補助情報とするかを決める必要がある。
ウェアラブル情報を薬効評価へ近づける条件
ウェアラブル端末は、診察日だけでは見えない日常の変化を記録できる。例えば睡眠改善を狙う製品では、参加者の主観的な睡眠満足度に加え、睡眠時間、夜間覚醒、日中の活動量を継続的に追える。症状の自己申告と端末データが同じ方向に動けば、効果の説明に厚みが出る。
一方で、消費者向け端末の数値をそのまま医療上の指標とみなすのは危険だ。機種差、装着時間、皮膚状態、スマートフォンとの接続不良が結果を左右する。研究では、最低装着時間や再測定の手順を事前に定め、端末が記録しなかった日を改善効果と誤認しない仕組みが欠かせない。AIで作るデジタルバイオマーカーも、精度だけでなく、どの入力からどの判定に至ったかを説明できることが重要になる。
在宅検査が参加者の負担と試験速度を左右する
在宅バイオマーカー検査を組み込めば、通院が難しい人も参加しやすくなる。採取キットの配送、動画や図解による手順説明、回収状況の確認までを研究基盤で管理できれば、施設側の電話対応を減らし、試験地域も広げやすい。通院中心の試験では見落とされがちな、軽症者や就労中の人を対象にできる点も大きい。
ただし、在宅検体は採取方法や保管温度の違いを受けやすい。採取から発送までの時間が長ければ、検査値の比較可能性が損なわれる。したがって、基盤の導入時には操作の簡単さだけでなく、検体不良率、再採取率、配送遅延を評価する必要がある。参加者にとっての便利さと、研究者にとっての測定の厳密さを両立させる設計が勝負になる。
成功を決めるのは統合機能よりデータの信頼性
Alethiosのような統合基盤は、試験運営の分業を減らす一方、責任の所在を見えにくくする可能性がある。端末メーカー、検査会社、解析モデル、研究スポンサーのどこに不具合があったのかを追跡できなければ、承認申請や監査で説明が難しくなる。変更履歴、データの出所、同意範囲、再解析の記録を一貫して残す機能が必要だ。
今後は、単なるデータ収集基盤ではなく、測定の妥当性を検証する仕組みが競争力になる。複数機種で同じ傾向が得られるか、施設試験と在宅試験の結果がどの程度一致するか、参加者属性によって精度に偏りがないか。これらを小規模な実証で確認できるサービスほど、製薬企業や食品・健康関連企業の本格導入に近づく。
ビジネスへの影響
企業は機器選びより先に評価項目を固定する
導入を検討する企業が最初に決めるべきなのは、どの端末を使うかではない。販売後の健康変化を知りたいのか、介入の短期効果を測りたいのか、参加継続率を高めたいのかで、必要なデータは変わる。睡眠を例にすれば、毎日の簡単な質問票だけで足りる研究もあれば、睡眠の連続測定や在宅検査を追加することで初めて差を説明できる研究もある。
導入前には、主要評価項目、必要な測定頻度、許容できる欠測率を一枚の設計書にまとめるとよい。そのうえで、対応端末、参加者への費用負担、データ保管地域、既存の電子データ収集システムとの接続を確認する。ノーコードで設定できても、研究計画の検証や法務確認まで不要になるわけではない。
小規模実証で費用と運用リスクを測る
本格展開の前に、数十人規模で四週間程度の試験を行うと、実務上の問題が見えやすい。確認すべきなのは登録者数だけでなく、端末を毎日装着した割合、質問票の回答完了率、在宅検体の不良率、問い合わせ件数、データ連携の遅延である。例えば回答率が高くても、特定の年齢層だけ端末の欠測が多ければ、全体結果は偏る。
費用比較では、システム利用料だけで判断しないことが重要だ。複数ベンダーを個別に管理する場合は、契約、品質確認、データ整形、問い合わせ対応に隠れた人件費が発生する。統合基盤によってこの作業を減らせる一方、データ標準化や参加者支援を外部に任せる範囲を慎重に決める必要がある。成功の基準を「機能が多いこと」ではなく、「一人あたりの有効データをどれだけ安定して得られたか」に置くと、投資判断が現実的になる。
研究後の活用まで見据えた契約と同意が必要
収集したデータを次の研究や製品改善に使うなら、参加者への説明と同意の範囲を先に整理しなければならない。特にAIが生成する指標は、後から計算方法が変わる可能性がある。モデル更新時に過去データを再計算するのか、旧版の結果を保存するのかを契約と運用手順に明記しておくべきだ。
企業にとって最も価値があるのは、試験終了時に表計算へ書き出せるデータではなく、再利用可能な履歴である。測定条件、欠測理由、端末の変更、参加者の同意状態が追跡できれば、次の研究の立ち上げを早められる。統合型DCTは単発の調査費を下げる道具というより、健康データを継続的に扱う業務基盤として評価するのが適切だ。