1. 治験プロトコル設計の現状とリクルートメント課題

治験実施計画書（プロトコル）の設計は、治験成功の鍵を握りますが、特にフィージビリティ調査の段階で、適切な調査結果が効率的に得られたと回答した治験依頼者は約46%に留まっています。この背景には、治験実施計画書作成のための具体的な調査手順がSOP（標準作業手順書）として定まっていない企業が多いという課題が存在します。従来のフィージビリティ調査は、主に施設へのアンケートや専門家（KOL）へのインタビューに依存しており、実際の患者母集団を正確に反映していないケースが散見されます。このため、治験開始後に「想定外の」リクルートメント不足が発生し、治験期間の延長や中止といった深刻な事態につながるのです。治験の遅延は、新薬開発コストを大幅に押し上げる主要因であり、その多くは選択・除外基準のミスマッチに起因しています。

選択基準が多すぎたり、除外基準が広すぎたりすると、対象となる被験者数が極端に少なくなり、治験の成功率を大きく低下させます。例えば、特定の検査値基準を厳しく設定した場合、数パーセントの患者しか組み入れられないという試算が得られることがあります。この問題を解決するには、大規模な実臨床データ（RWD）に基づき、基準の変更がリクルートメントに与える影響を定量的に予測する、データ駆動型のシミュレーションが不可欠となります。

2. 結論：DifyによるRWDシミュレーションがフィージビリティを向上させる

Difyは、大規模言語モデル（LLM）アプリケーションをノーコード・ローコードで開発できるプラットフォームであり、RAGやAIエージェント、ワークフローといった高度な機能を提供します。この柔軟なワークフロー機能を活用することで、治験プロトコル最適化プロセスを自動化・高度化できます。具体的には、プロトコルの選択・除外基準のテキストをLLMに入力し、RWDを格納したナレッジベース（レセプトデータ、電子カルテデータなど）に対して、基準を満たす患者、満たさない患者を高速に抽出・分類するシミュレーションを実行します。このアプローチにより、開発者は基準のわずかな変更がリクルートメントプールに与える影響を、リアルタイムに近い形で定量的に把握できるようになります。

3. 最適化の科学的根拠：基準の厳格さがリクルートメントに与える影響

臨床試験の選択・除外基準は、有効性と安全性の評価に必要な均質な患者集団を確保するために不可欠ですが、その厳格さはリクルートメントのボトルネックに直結します。例えば、腎機能（クレアチニンクリアランスなど）や肝機能（AST/ALTなど）の臨床検査値にわずかな異常があるだけで除外される基準は、実臨床の患者の多様性を反映しておらず、結果として市販後の対象集団の何割が治験から除外されるかをRWDにより確認することが重要です。このRWDによる評価は、規制当局の承認審査における予見性を高める上でも重要であると指摘されています。

治験の「RWE（リアルワールドエビデンス）らしさ」を評価するためには、組入れ・除外基準が実臨床の患者集団をどの程度反映しているかを定量的に把握する必要があります。Difyを用いたシミュレーションでは、RWDから抽出した数百万件の患者記録に対し、プロトコルの各基準を適用し、以下の除外要因を数値化します。

• 特定の合併症による除外率（例：高血圧症、糖尿病のHbA1c基準）
• 特定の併用薬による除外率（例：降圧剤、特定の抗凝固薬）
• 検査値異常による除外率（例：AST/ALT値、クレアチニン値）
• 年齢や性別といった人口統計学的基準による除外率

この定量的な除外率データを基に、最もリクルートメントに影響を与えている基準を特定し、その基準を緩和した場合のリクルートメントプール増加率を予測することが可能になります。

4. Difyワークフローのメカニズム：RAGとエージェントによる基準評価

Difyを用いた選択・除外基準のシミュレーションは、主に「RAG（検索拡張生成）」と「ワークフロー」機能の組み合わせによって実現されます。まず、数百万件の匿名化されたRWD（電子カルテ、レセプトデータなど）をDifyのナレッジベースとして取り込みます。このデータは、ベクトルデータベースに格納され、検索可能な状態になります。治験プロトコルの基準文言（例：「HbA1c(NGSP) > 10.0 %の糖尿病患者は除く」）がLLMに入力されると、LLMはこれをクエリとしてRAGシステムに渡し、ナレッジベースから関連する患者記録を検索・抽出します。

次に、Difyのワークフロー機能が、プロトコルテキストを解釈し、RWDに対して論理演算子（AND/OR）を適用するAIエージェントとして機能します。例えば、エージェントは以下のステップで動作します。

5. 選択・除外基準シミュレーションの具体的なステップと成果

Difyを用いたシミュレーションは、従来のフィージビリティ調査に比べて迅速かつ網羅的な分析を可能にします。具体的な実施ステップと期待される成果は以下の通りです。

【ケーススタディ：糖尿病合併症治験の例】
ある糖尿病合併症を対象とした治験において、当初のプロトコルでは「HbA1c 7.0%超」を除外基準としていました。DifyによるRWDシミュレーションの結果、この基準により全体の対象患者の約70%が除外されていることが判明しました。そこで、基準を「HbA1c 8.0%超」に緩和するシミュレーションを行ったところ、除外率が約50%に低下し、リクルートメントプールが約40%増加するという定量的な結果が得られました。このデータを基に、臨床的妥当性を考慮した上で基準を緩和し、結果として治験期間を当初計画から3ヶ月短縮することに成功しました。

項目	初期プロトコル基準	Difyシミュレーション案	改善予測効果
HbA1c除外基準	7.0%超	8.0%超	リクルートメントプール 40%増
肝機能除外基準	基準値上限の2倍超	基準値上限の3倍超	除外率 15%減

6. 導入における技術的・倫理的注意点

Difyを用いたRWDシミュレーションは強力なツールですが、その導入と運用には、技術的および倫理的な側面から細心の注意が必要です。特に、治験の基本原則である「参加者の人権、安全及び福祉の保護」を最優先とし、データの真正性を確保しなければなりません。

導入時に留意すべき主要なポイントは以下の通りです。

• データ信頼性の確保: RWDは臨床試験データと異なり、データの発生源から分析までの透明性が確保されているか、疾患やイベントの特定方法（アルゴリズム）の妥当性が確保されているかなど、データ自体の信頼性を確認する必要があります。
• セキュリティと匿名化: RWDは機密性の高い患者情報を含むため、Difyのオンプレミス対応やクラウド環境での厳格なアクセス制御、および個人情報保護法に基づく適切な匿名化処理が不可欠です。
• モデルの透明性と解釈可能性: LLMが出力する基準変更案や除外要因の分析結果は、なぜその結論に至ったのかを明確に説明できる（解釈可能性が高い）ことが求められます。Difyのワークフローの可視化機能やプロンプトエンジニアリングにより、透明性を確保する必要があります。

まとめ

治験プロトコルの最適化、特に選択・除外基準の設計は、治験のフィージビリティと成功率に直結する最大の課題です。従来のアンケートベースのフィージビリティ調査では限界がありましたが、DifyのようなLLM開発プラットフォームを活用することで、この課題を克服できます。DifyのRAGおよびワークフロー機能を用いることで、大量のRWD/EHRデータをナレッジベースとしてシミュレーションに活用し、各基準がリクルートメントプールに与える影響を定量的に分析し、最適な基準をデータ駆動で導き出すことが可能です。これにより、リクルートメント不足による治験の遅延リスクを大幅に低減し、新薬開発プロセスの効率化・高度化を実現します。導入にはデータバイアスや倫理的配慮が不可欠ですが、AI技術は治験の成功率を飛躍的に高める新たな標準ツールとなるでしょう。