データ駆動型医療と予測分析の可能性は明らかです。AIと機械学習は、医療従事者がより的確な臨床判断を下せるよう支援するとともに、ウェアラブル機器やモバイルアプリを通じてリアルタイムのデータにアクセスできるようにすることで、患者が自身の健康管理において能動的な役割を果たせるようにしています。
しかし、ビッグデータが解決策として期待された社会、経済、ビジネス上の課題の多くで見てきたように、成功の鍵は、この膨大な情報を収集、整理、分析するための持続可能なシステムを、慎重かつ効率的に、安全で実用的な方法で構築することにあります。さらに、医師から患者、病院、薬局、検査機関に至るまでシステムがシームレスに相互接続され、必要な場所と時点で情報が流れるようにする必要があります。これを実現するには、いくつかの重要な課題に取り組まなければなりません。
事務作業の削減
電子カルテから接続された医療機器のリアルタイムデータに至るまで、医療データの普及は、個別化・精密医療という新たな時代の基盤となっています。課題は、スマート病院ベッドやコネクテッド・ギプスなどの新興技術、例えばナノボットや接続された環境が価値あるデータの提供を始めるにあたり、新たなデータソースを取り込めるよう拡張性を持ち、かつ情報のサイロ化を伴わないデータ収集システムを構築することです。
その一例が athenahealthです。同社は、クラウドベースのサービスを通じて10万人以上の医療提供者に対し、パフォーマンスデータの追跡、請求処理、患者記録の管理などを提供しています。同社のネットワークデータによると、医師は平均して勤務時間の40%を、数千件に及ぶ事務書類や様式の処理と、数百件に上る未提出の検査・画像診断オーダーの確認に費やしています。athenahealthは、既存のインフラに閉じ込められたデータ、その一部は依然として紙ベースのアーカイブや、柔軟性に欠けるデータベース内の他のコンテンツを解放する必要があることを認識していました。全く新しいシステムアーキテクチャが必要とされたため、同社は医師にかかる事務的負担の軽減を目的としたクラウドベースのサービスを構築しました。これにより、AIや分析ツールが新たな知見を獲得し、リアルタイムデータを処理し、個別化されたサービスを提供できるようになります。その結果、自動化と業務の効率化を通じて、医師と患者の体験が向上しつつあります。
アクセス
技術によって実現される個別化医療を、富裕国や技術革新の拠点で想像することは次第に容易になっています。しかし、最も必要としている人々が命を救う医療データにアクセスできるようにするには、どうすればよいのでしょうか。一つの解決策は、モバイル機器を活用することです。最近の 研究によると、途上国では携帯電話の普及率が98.7%を超えています。医師と患者の双方がデータにアクセスできるモバイルソリューションを開発することは、この医療革命を世界に広げるうえで極めて重要です。もう一つの解決策は、エッジコンピューティングの活用です。これにより、オフライン時や断続的なインターネット接続下でもデバイスが中断なく動作し、難民キャンプや農村部といった遠隔地でもデータの収集と分析が可能になります。
偏りのないAI
近年、人工知能（AI）における偏りの問題とその可能性に大きな注目が集まっています。予測医療のためのアルゴリズムやモデルを構築する際、偏りがないことを確保することは文字通り生死を分ける問題になりえます。現在、医療格差は構造的であり、社会的不平等と密接に絡み合っています。適切に開発されれば、これらのAIを活用したシステムは、人間の偏見を取り除くことで、こうした不平等の緩和に大きく貢献しうるでしょう。一方で、こうした技術の進歩が既存の不平等を助長するおそれもあります。これらのモデルの学習に用いられるデータを評価し、さまざまな集団が公正に代表されるようにすることは、医療の進歩における次の段階にとって極めて重要になります。
さらに、低コストのゲノム解析、ビッグデータ分析、健康センサー、ウェアラブル機器、人工知能により、医療は画一的な治療から、個別化・精密化へと移行していくでしょう。これらの技術はいずれも重要な要素ですが、鍵を握るのはAIです。保存、解析、文脈化を経て既存の研究や手順と照合し、分析しなければならない膨大な情報量がその理由です。機械学習や深層学習のアルゴリズムを通じて、AIだけが個別化された解決策や標的治療を生み出すことができると考えられます。AIを含む複数の技術において、さらなる進歩が必要ではありますが、精密医療のビジョンが実現することにはほとんど疑いの余地はありません。しかし、個別化・精密医療が一般的になる前に、倫理的・法的な問題を解決しておく必要があります。
国境のない医療
真に個別化された医療が機能するためには、それが容易に利用可能である必要があり、そのためにはデータとシステムの統合が不可欠です。医療情報はサイロ化が著しく、この障壁は変化に対して非常に強い抵抗を示してきました。その理由は様々ですが、情報交換を想定して設計されていないレガシーシステム、競合他社によるファイアウォール、「自社開発でないものは使わない」という姿勢、業界全体で共通のアプリケーション・プログラミング・インターフェース（API）の欠如、患者のプライバシーの問題などが挙げられます。ある程度までは、個々の医療システムの枠内でこれらの課題が克服されてきましたが、その範囲を超えることはほとんどありませんでした。個別化されたデータ駆動型医療への需要が、情報のより自由な移動を求めるにつれ、こうした障壁は取り除かれつつあり、今後もその動きは続くでしょう。この統合により、全体的な医療のシナリオが当たり前に実現されるようになるでしょう。
その一つの流れを例に見てみましょう。シャツに組み込まれた心拍モニターが、リアルタイムデータを心臓専門医に送信します。心臓専門医は、懸念される変化を受けて、更新された処方箋を薬剤師に送ることができます。薬剤師は、今度は、スマートフォン、腕時計、眼鏡、またはまだ発明されていない何らかのデバイスといった仮想アシスタントに対して、薬の準備が整ったことを知らせる通知を送ることができます。その通知は、あなたが運転中に届きます。すると、GPSが薬局までのルートを自動的に更新し、あなたは自動運転車で到着し、スマートフォンや網膜スキャンを使って処方薬の代金を支払います。この例に登場するすべてのデバイスとアプリケーションは完全に統合されており、移動するたびにシームレスに調整されます。
新たなプラットフォーム
これらの恩恵を得るためには、情報へのアクセスであれ、最新のAIアルゴリズムの適用であれ、無数のデバイスすべてをつなぐデータインフラが必要となります。これはデータセンター、複数のクラウド、そして膨大な数のエッジデバイスにまたがり、新しいシステムの容易かつ迅速なプロビジョニング、新しいアプリケーションやアップデートの迅速な展開、暗号化やセキュリティなど必要なデータサービスの即時利用を可能にします。このようなプラットフォームは、可能な限り最大限に拡張可能でなければなりません。Googleは自社用にそのようなプラットフォームを構築しました。 Borg ――そして、同様のオープンソースソリューションであるMesosが、他のすべての企業にこの種のプラットフォームを提供しています。
こうした拡張可能なプラットフォームは、データ駆動型医療や予測分析を含め、医療におけるAIの提供の基盤となります。このような接続性と統合に加え、診断や処方のためのAI搭載アルゴリズムが組み合わさることで、個別化・精密医療を迅速に判断し、どこにでも届けられるプラットフォームと、コストを大幅に削減する規模の経済が生まれるでしょう。
