AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

本論文は、大規模言語モデルを活用して臨床試験の適格基準を体系的に分類・精緻化し、実世界データエミュレーションにおける適格基準を最適化するAIエージェントフレームワーク「AERO」を導入するものであり、WARCEF 試験のエミュレーションで実証されたように、これにより治療効果推定の一般化可能性と精度を向上させるものである。

要約

あなたは、何千もの世帯から集まった食材で満たされた巨大で無秩序な現実世界の食品庫（あなたの電子健康記録）を使って、有名で完璧に管理された料理コンテスト（ランダム化比較試験、RCT）を再現しようとしていると想像してください。

元のコンテストでは、審査員が非常に厳格なルールリストを持っていました。「2 歳未満の鶏の卵のみを使用する」「特定のアレルギーを持つ調理人は塩を使用しない」「調理人は 4 時間休憩なしで立ち続けられること」などです。これらのルールにより、コンテストは公平であり、結果は明確なものとなりました。

しかし、現実世界の食品庫からこれらの正確な食材を見つけようとするとき、壁にぶつかります。卵を眺めるだけでは鶏の年齢がわかりません。すべての調理人のアレルギー歴の記録があるわけではありません。そして、誰かが実際に 4 時間立ち続ける必要がなかった場合、その人が 4 時間立ち続けられるかどうかを知ることはもちろんできません。元のルールをそのまま正確に適用しようとすれば、食品庫の 90% を捨ててしまい、研究対象となる調理人がほとんど残らないかもしれません。あるいは最悪の場合、偶然にも「完璧な」調理人だけを残してしまい、結果が現実世界とは異なるように見えてしまう可能性があります。

AERO の登場：賢い sous-chef（副料理長）

この論文は、AERO（Adaptive Eligibility Refinement and Optimization のための AI エージェント）を紹介しています。AERO を、厳格なコンテストのルールを、元のコンテストの精神を失うことなく、あなたの無秩序な現実世界の食品庫で実行可能なものに変換してくれる、非常に賢く知識豊富な sous-chef（副料理長）だと考えてください。

以下は、AERO がどのように機能するかを、簡単な比喩を使って説明したものです。

1. 「4 つの箱」による仕分けシステム

AERO は、すべてのルールを盲目的に追うのではなく、各ルールを見て「このルールは実際には何のためのものか？」と問いかけます。そして、すべてのルールを 4 つの箱のいずれかに仕分けます。

• 箱 1: 「必須アイテム」（厳格な包含）: これらは、コンテストが誰を対象としているかを定義する中核的なルールです。例: 「調理人はスープを作っていること」。AERO はこれらをハードフィルターとして維持します。スープを作っていなければ、対象外です。
• 箱 2: 「安全警告」（厳格な除外）: これらは危険に関するルールです。例: 「重度のナッツアレルギーを持つ人は入室できない」。AERO はこれらも維持します。なぜなら、安全性は妥協できず、通常は記録から容易に特定できるからです。
• 箱 3: 「背景ノイズ」（交絡因子）: これらは調理人を記述するが、必ずしも彼らを失格させるわけではないルールです。例: 「調理人は過去に特定のブランドの塩を使用していたこと」。現実世界では、これは単にスープの味を異ならせる要因であり、調理人を追い出す理由にはなりません。AERO は「彼らを追い出さないで！後でスープを味わうときに、これを記録して調整すればよい」と言います。これにより、より多くの人を研究に残すことができます。
• 箱 4: 「不可能な任務」（削除/運用）: これらは現実世界の食品庫では意味をなさないルールです。例: 「調理人は 4 時間休憩なしでプロトコルに従うことができること」。データベースでこれをチェックすることはできません。AERO は「これは測定できないので、良い調理人を偶然除外しないよう、このルールを完全に削除しよう」と言います。

2. 「知識の司書」

AERO は単に推測しているわけではありません。決定を下す前に 3 つの異なる本を取り出す司書のように機能します。

• 病気を理解するための医学百科事典（UpToDate）。
• 文脈を解釈するためのスマート AI アシスタント（Claude）。
• 危険な相互作用をチェックするための薬物安全マニュアル（ToolUniverse）。

元の試験ルールをこの追加知識と組み合わせることで、AERO はどのルールを維持し、どのルールを調整し、どのルールを捨てるかを決定します。

3. 試運転：WARCEF 試験

AERO が機能するかどうかを確認するために、研究者たちはそれを使ってWARCEF 試験を再現しました。

• 元の試験: 心不全患者に対して、ワルファリン（血液凝固阻止剤）とアスピリンを比較しました。結果は？差なしでした。2 つの薬はほぼ同じように機能しました。
• 問題点: もし元の厳格なルールを使って現実世界の病院記録からこれらの患者を見つけようとすれば、現実の人間とは似ていない小さく奇妙な患者グループが得られる可能性が高いでしょう。
• AERO の解決策: AERO はルールを再仕分けしました。心不全の診断（必須アイテム）と安全上の除外（安全警告）は維持しましたが、「最近のペースメーカー装着」や「特定の薬物歴」のような項目を「背景ノイズ」の箱に移しました。つまり、これらの患者は残しつつ、後で数学的に調整するという意味です。

結果:
AERO によって最適化されたルールで研究を実行したところ、HR = 1.56という結果が得られました（これは「有意な差なし」という統計的な表現です）。これは元の試験の結論（HR = 1.01、「差なし」）と一致しました。

「アブレーション」の教訓（「もしも」の実験）
この論文は、AERO の仕分けがなぜ重要なのかを証明するために、クールな実験も行いました。彼らは「特定の血液凝固阻止剤（LMWH）を服用している患者は含まない」という特定のルールを取り上げました。

• シナリオ A（厳格なルール）: LMWH を服用している全員を研究から除外しました。すると、突然結果が変わりました！一方の薬が他方よりも優れているように見えたのです。なぜなら、それらの人々を除外することで、最も病状の重い患者を偶然に削除し、グループを歪めてしまったからです。
• シナリオ B（AERO の方法）: 彼ら患者を残しつつ、血液凝固阻止剤を後で調整するための「背景ノイズ」として扱いました。結果は「差なし」に戻り、元の真実と一致しました。

大きな教訓

この論文は、**「誰を研究に参加させるかを決める方法が、結果を変える」**と主張しています。

厳格なラボ試験を無秩序な現実世界にコピー＆ペーストしようとすれば、実験を破綻させるかもしれません。AERO は翻訳者として機能します。AI と医学的知識を用いて、「このルールは安全に関するものなので維持する」「このルールは運用に関するものなので削除する」「このルールは単なる特性なので調整する」と言います。

これを行うことで、AERO は研究者が高価で管理された試験を必要とする質問に対して、現実世界の病院データを使用することを可能にしつつ、回答が依然として正確で公平であることを保証します。それは、ラボの「完璧な世界」と現実の病院の「無秩序な世界」の間の溝を埋めます。

技術概要

以下は、論文「AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation（AERO：リアルワールド試験模倣における臨床試験基準の適応的適格性洗練と最適化のための AI エージェント）」の詳細な技術的サマリーです。

1. 問題提起

リアルワールド試験模倣の課題：
ランダム化比較試験（RCT）は因果推論のゴールドスタンダードですが、その制限的な適格基準は、結果のより広範なリアルワールド集団への一般化をしばしば制限します。ターゲット試験模倣は、観察データ（例：電子健康記録 - EHR）を用いて RCT 設計を再現し、リアルワールドエビデンス（RWE）を生成しようと試みます。しかし、プロトコルで定義された適格基準を EHR ベースのコホートに変換する過程には、重大なボトルネックが存在します。

• 運用上の非実現性： 多くの試験基準は、EHR で利用できない、または一貫して記録されていない測定値や評価に依存しています。
• 主観性とバイアス： これらの基準の適応は現在、手作業で専門家主導の判断に依存しており、労働集約的で再現が困難であり、主観的バイアスに陥りやすいです。
• 選択バイアス： 基準をそのまま適用すると、コホートサイズが劇的に減少するか、臨床的に関連する患者が除外され、比較有効性の推定値が歪められます。逆に、体系的な根拠なしに基準をアドホックに緩和すると、新たなバイアスが導入される可能性があります。

2. 方法論：AERO フレームワーク

著者らは、リアルワールドデータに対する臨床試験の適格基準の適応を自動化するために設計されたエージェント型フレームワークであるAERO（Adaptive Eligibility Refinement and Optimization のための AI エージェント）を提案します。

コアアーキテクチャ：
AERO は、推論の中核として知識強化型大規模言語モデル（LLM）（本研究では特に GPT-5）を利用します。意思決定を支援するために、3 つの異質な外部知識源を統合します。

1. 臨床知識ベース： UpToDate（疾患の背景、適応症、禁忌のため）。
2. 医療 LLM： Claude AI（文脈に応じた臨床的解釈のため）。
3. 薬物知識ツール： ToolUniverse（構造化された薬理学的および安全性データのため）。

5 段階のパイプライン：

1. 抽出： 元の適格基準を試験プロトコル（例：ClinicalTrials.gov）から抽出します。
2. 検索： 試験の文脈に基づいて、関連する外部医学知識を検索します。
3. AI 駆動の最適化： LLM がプロトコルの意図と外部知識に対して各基準を分析し、以下の 4 つのカテゴリーのいずれかに分類します。
   • 厳格な組み込み（Strict Inclusion）： 対象集団を定義する必須特性（例：特定の診断、左室駆出率）。
   • 厳格な除外（Strict Exclusion）： 安全性に関連する、または臨床的に必要な制限（例：妊娠、重度の肝機能障害）。
   • 交絡因子（Confounder）： 結果に影響を与えるが、コホートフィルタリングではなく統計的調整で処理すべき変数（例：最近の脳卒中、ペースメーカ使用、特定の薬剤使用）。
   • 除外 / 運用不可（Drop / Operational）： EHR で冗長、主観的、または運用化が不可能な基準（例：「外来プロトコルに従う能力」、「修正ラニキンスコア」）。
4. コホート構築： 最適化された基準を EHR データ（メイオ・クリニック・プラットフォーム）に適用します。患者はすべての組み込み基準を満たし、いかなる除外基準も満たさない必要があります。交絡因子は、下流の統計的調整（例：傾向スコアマッチング、コックス回帰）のためにデータセットに保持されます。
5. 結果分析： 生存分析（コックス比例ハザードモデル）を用いて比較有効性を推定します。

3. 主要な貢献

1. 適格性洗練のための最初の AI エージェント： AERO は、手作業のヒューリスティックを超えて、リアルワールド模倣のために試験適格基準を体系的に洗練するために特別に設計された、新しいエージェント型アプローチとして提示されます。
2. 知識に基づく推論： 純粋にデータ駆動型のフィルタリングとは異なり、AERO は意思決定が臨床的に根拠があり再現可能であることを保証するために、多様な外部医学知識源を明示的に統合します。
3. スケーラブルなパイプライン： このフレームワークは、RCT プロトコルをリアルワールド研究に変換する再現可能なパイプラインを実証し、管理された試験と日常臨床実践の間のギャップを埋めます。

4. 結果：WARCEF 試験の模倣

このフレームワークは、試験完了前（2014 年 7 月以前）のメイオ・クリニック・プラットフォームのデータを用いて、WARCEF 試験（心筋収縮力低下におけるワルファリン対アスピリン）を模倣することで評価されました。

コホート特性：

• 人口統計： AERO 最適化コホートは、元の試験コホートと比較してわずかに高齢で、性別分布が異なりましたが、治療割り当て比率は保持されました。
• 基準の再分類：
  • 厳格として保持： 心不全の診断、低下した左室駆出率（EF ≤ 35%）。
  • 交絡因子として再分類： 最近の脳卒中、ペースメーカ挿入、NSAID 使用、クレアチニン値、抗血小板療法の必要性。
  • 除外： EHR で捕捉されていない機能評価や余命判断。

結果分析：

• 主要な発見： AERO 最適化基準を用いた模倣は、ハザード比（HR）1.561（p = 0.0605）をもたらしました。
• 一貫性： この結果は、ワルファリンとアスピリン間に統計的に有意な差はないと結論づけた元の WARCEF 試験の結果（HR = 1.01、p = 0.91）と一致しています。
• 解釈： コホート構成の違いにもかかわらず、最適化された基準は元の試験の中立性の結論を保持し、臨床的意図を維持しつつリアルワールドへの適用性を向上させるフレームワークの能力を検証しました。

アブレーション研究（処理決定の影響）：
著者らは、「低分子ヘパリン（LMWH）による継続的治療が必要である」という基準についてアブレーション研究を実施しました。

• シナリオ A（厳格な除外）： LMWH 使用を厳格な除外基準として扱うと、治療群間で統計的に有意な分離が生じました（p = 0.0347）。
• シナリオ B（交絡因子）： LMWH 使用を交絡因子として扱い（統計的に調整）、有意差は認められませんでした（p = 0.0605）。
• 結論： この研究は、適格性の処理決定が観察される治療効果に実質的に影響を与えることを実証しました。変数をフィルタから交絡因子へ再分類することは、見かけ上の治療差を人為的に過大評価する可能性のある選択バイアスを防ぎました。

5. 意義と含意

• 方法論的進展： AERO は、適格性の適応を、主観的で手作業の前処理ステップから、因果推論の体系的で透明性があり AI 駆動型の設計要素へと移行させます。
• バイアス低減： 安全性の除外と交絡因子を区別することで、観察データにおける過度に制限的なフィルタリングに起因する選択バイアスを軽減します。
• 再現性： 構造化された分類体系（組み込み、除外、交絡因子、除外）は、異なる研究や機関間でのターゲット試験模倣の再現性を高めます。
• 将来展望： 規制当局が RWE に依存する度合いが高まるにつれ、AERO などのフレームワークは、RCT プロトコルをリアルワールドエビデンス生成に変換するスケーリングに不可欠であり、臨床試験の結論が多様で日常的な臨床集団に適用された際にも有効であることを保証します。

指摘された限界： 本研究は単一の試験事例（WARCEF）に依存しており、より広範な検証が必要です。さらに、このフレームワークは LLM の推論に依存しており、プロンプト構造に敏感である可能性があり、EHR データに内在する残余交絡は依然として課題です。