偏見と投資不足により、女性の健康は体系的に十分な対応を受けてこなかった。
人工知能は、データの空白、偏見、格差を減らすことで、女性の健康格差の縮小に貢献しうる。
意味のある前進には、不平等を強めるのではなく減らすため、性別に着目した視点でデータを分析することが欠かせない。
女性の健康を軽視することは、人々の苦しみと経済的潜在力の損失という、計り知れない代償を伴う。
慢性的な投資不足と偏見により、女性は医療制度から体系的に十分な対応を受けられず、公衆衛生上の課題であると同時に、1兆ドル規模の見過ごされた機会となっている。世界経済フォーラムは推計している。女性の健康格差を解消すれば、2040年までに世界の経済生産が少なくとも年間1兆ドル増加する可能性がある。
統計の一つひとつの背後には、個人の苦闘がある。心臓発作の症状がある女性は、誤診される可能性が50％高く 、誤診されたまま帰宅させられる。また、別の女性はほぼ 10年にわたる痛みに耐えた末に、子宮内膜症と診断されることもある。こうした結果は、女性特有の生物学的特徴や健康上の経験を認識できていない制度がもたらす、予測可能な帰結だ。
人工知能（AI）が状況を一変させた。膨大で複雑なデータセットを分析できるAIは、女性の健康分野に長く存在してきた格差や見過ごされた課題を明らかにする強力な手段となる。
これまでの漸進的な改善とは異なり、AIには女性の生物学的特徴への理解を根本から見直し、より精密で公平なケアを実現する可能性がある。これにより、将来の世代にわたって健康上の成果を変えうる。
データの空白と偏った設計図
女性の健康分野におけるイノベーションの大きな障壁は、信頼性が高く、代表性のあるデータの不足だ。歴史的に、女性は臨床研究で十分に代表されてこなかった。男性の身体がしばしば標準として扱われてきた。
データセットは男性の生理機能や疾病パターンを標準とし、発見に見えない上限を設けている。この偏りがもたらす具体的な影響は明らかだ。主に女性に影響する疾患では、誤診や診断の遅れが起こる可能性が高まる。
不完全または偏ったデータで訓練されたAIシステムは、不平等を解消するどころか、 perpetuate してしまうおそれがある。
こうした格差を理解するため、私たちはFemHealthフレームワークを活用している。この枠組みでは、女性の健康状態を「女性にのみ見られる」「主に女性に見られる」「女性では異なる」に分類する。
データの空白――「女性にのみ見られる」疾患の危機：子宮内膜症や更年期など、女性に生物学的に固有の状態では、質の高いデータセットが不足していることが多い。例外は不妊症で、欧州や米国の全国登録制度などを通じ、数十年にわたって体系的にデータが収集されてきた。。
データの不足――「主に女性に見られる」疾患の謎：片頭痛や自己免疫疾患などは男女双方に影響するが、女性への影響が大きい。データは性別ごとに集計されていないことが多く、重要な違いが見えにくくなっている。こうした詳細がなければ、AIは女性に特有のパターンを見逃す。
データの偏り――「女性では異なる」疾患の危険：心疾患や糖尿病などは男女双方に影響するが、歴史的に主に男性の標準に合わせて調整されてきた。こうした偏ったデータで訓練されたAIは、見過ごされた課題を強化し、不平等を是正するどころか拡大させるおそれがある。女性特有のリスクが遅れて判明した後、2007年に薬剤が販売中止となったゼルノームの事例は、重大な教訓となっている。。
過去を飛び越える
AIは、今すぐ大きく前進するまたとない機会をもたらす。女性の健康分野は旧来のシステムに縛られる度合いが比較的小さく、最初から最先端のAI活用ツールを導入できる独自の立場にある。
女性にのみ見られる疾患：データの宝庫を開く
今すぐできること：不妊症は、豊富で体系的なデータに支えられており、AI活用の有力な出発点となる。妊孕性に関する登録データで訓練されたAIモデルは、治療に対する個人ごとの反応をより正確に予測し、すでに体外受精（IVF）の成功率を高めている。
今後の展望：臨床データが限られる疾患では、AIが生成する合成データが 、補完に役立つ。実世界のデータが乏しいとき、重要な空白を埋められる可能性がある。さらに、活用することで、患者が生成したデータや臨床記録の高度なテキストマイニングから、正式な研究が不足していてもパターンを明らかにできる。
主に女性に見られる疾患：見えない多数派に対応する
今すぐできること：片頭痛など、女性に多く影響する疾患の多くはデータが豊富だが、十分に活用されていない。AIは、月経周期、睡眠パターン、ストレスレベルのデータを統合することで、発作を予測し、適切なタイミングでの予防を可能にする。
今後の展望：最大の可能性は、症状の管理から、発症メカニズムに基づく知見へと移行することにある。実世界のデータをゲノム情報やデジタルツールと組み合わせれば、高度なAIが疾患のサブタイプを明らかにし、女性特有のバイオマーカーを特定できる。
女性では異なる疾患：性別に基づく格差を明らかにする
今すぐできること：心血管疾患などは、性別による違いを考慮せずに分析されることが多い。AIは、性差を踏まえた視点から既存のデータセットを再検討する重要な機会をもたらす。
今後の展望：研究やAIシステムでは、性別を基本的な変数として扱わなければならない。現在は除外されることの多い妊娠歴、ホルモン周期、更年期は、心血管疾患や喘息のリスクを予測する重要な要素だ。偏りのないデータセットを整備し、性別ごとにアルゴリズムを検証することが今後の道筋となる。
女性の健康格差を解消する
AIの分析力と、目的を持って収集された性差を考慮するデータを組み合わせれば、女性の健康を変革できる。しかし、テクノロジーだけでは不十分だ。最大の障壁は構造的なものだ。研究では男性が標準とされ、資金提供では性別特有のデータが軽視され、規制は性差を考慮しない臨床試験を容認している。
AIはこうした見過ごされた課題を拡大させることも、取り除くこともできる。どちらの未来を迎えるかは、今の行動にかかっている。
資金提供者は、支援する研究で性別ごとに集計したデータを必須とし、女性にのみ見られる疾患や、優先度の低いその他の疾患に資金を振り向けることができる。
研究者は、性別を最優先の変数として扱うAIモデルを設計し、女性と男性それぞれについて知見を検証すべきだ。
産業界は、女性をより適切に代表するよう臨床試験の設計を改め、実世界のエビデンスやその他の情報源から得た性別ごとのデータを使って、性別特有のパターンを明らかにできる。
政策立案者や規制当局は、金銭的インセンティブ、明確なAI指針、迅速な承認経路を設け、新たな治療法がすべての患者に有効となるようにすることで、女性の健康分野のイノベーションを促進できる。
もはや問われているのは、AIが医療を変革できるかどうかではない。人類の半数を占めながら、あまりにも長く後回しにされてきた人々のために、AIの可能性を解き放てるだけの速さで、データ、インセンティブ、基準を整えられるかどうかだ。機会は明らかだ。責任は私たちにある。
