ビッグデータから生まれた「合成対照群」のインパクト　新薬開発の歴史を変え得る理由

新薬開発で多くの製薬企業が直面している課題の1つが治験参加者の確保だ。過去に実施された治験のデータ再利用がその解決策となり得る。過去の治験データ活用が臨床開発現場にもたらすインパクトとは。

公開 2018年06月21日 05時00分

更新 2022年10月05日 10時23分

著者

メディデータ・ソリューションズ

[著]

印刷する連載新着通知を受け取る

　クラウドに蓄積され続ける膨大なデータ。今、そうしたビッグデータをいかに活用するかが、さまざまな分野で問われている。医療分野での新薬開発への応用例の1つが、臨床試験を実施する医療機関選びの効率化だ。

　新薬の臨床試験（注1）が現在直面している大きな課題の1つに、その試験の条件に合う患者がなかなか集まらず、予定している症例数を満たすのに時間がかかるという問題がある（場合によっては症例が1つも集まらない施設もある）。一方で、医療施設が治験に参加してもらうための準備には手間やコストも生じる。

　過去に実施した治験から収集したビッグデータを活用することで、どの施設にどの疾患領域の患者が来院しているのかを知ることができる。実績データに基づいた施設選定ができるため、業務の無駄を省き、症例登録の期間を短くする可能性がある。どの施設が迅速にデータを入力しているのか、間違いが少なく品質の高いデータを収集しているのはどの施設なのかも把握できる。こうして治験の期間を短くし、データの質を高めることで、生産性の高い臨床開発（注2）が可能となり、成功の確率を高める可能性がある。

※注1：患者や健康な人に対する「治療を兼ねた試験」のこと。新薬開発を目的とする「治験」の他に、新薬開発に限らず、薬の効果を追跡調査したり、既存薬の別効能を調査・確認したりすることをも目的とする「臨床研究」でも臨床試験を実施することがある。
※注2：医薬品候補（薬剤など）を、実際に患者や健康な人に投与することで安全性と有効性（効果）を確かめ、そのデータをエビデンスとして厚生労働省に申請し、新薬として製造・販売の承認を得るまでの開発過程のこと。

　上記の実現を支援する技術やサービスは、既に存在する。Medidata Solutions（以下、メディデータ）が提供する「Edge Feasibility」というクラウドサービスが、その一例だ。臨床試験を計画している疾患領域や試験の段階などを入力すると、過去に実施した臨床試験のデータを基に、臨床試験の組み入れ条件に合う患者がどの医療機関（施設）に多かったのか、あるいは質の高いデータを収集している施設はどこなのかを一覧表示できる。

　同社以外にもさまざまなベンダーがビッグデータを活用して、新薬開発を支援する技術やサービスを提供している。厚生労働省も「MID-NET」という、電子カルテデータやレセプトデータなどの医療情報を大規模に収集・解析するためのデータベースを構築し、2018年4月に本格運用を開始した。これにより患者数の把握などによる市場調査や、臨床試験への効率的な患者の組み入れを目指している。

併せて読みたいお薦め記事

ライフサイエンス企業のCIOが描く成長戦略

製薬企業のIT活用事例

　過去の治験で蓄積したデータは、さらに臨床開発の既存プロセスを大きく変える可能性を秘めている。そのことを具体的にイメージできる例として、2017年6月に米国臨床腫瘍学会（ASCO）で発表された「Synthetic Control Arm（合成対照群）」が挙げられる。これは、比較試験における「対照群」、つまり臨床試験で医学的介入をしない群を仮想的に（過去のデータに基づいて人工的に）作る手法だ。このような手法は、以前から検討されていたものの、データが不十分であったことやコンピュータ技術が発達していなかったことなどから実現できていなかった。

合成対照群とは

　現在の臨床試験では、参加者を次の2グループに分け、効能の比較をするのが一般的だ。

A：開発中の新薬を投与するグループ
B：新薬を投与しない（プラセボを投与するまたは、標準治療となっている既存薬を投与する）グループ

　比較試験ではこのように、医学的介入をするグループA（治療群）に対して、医学的介入をしないグループB（対照群）を置く。BよりもAの成績の方がいい場合、その新薬には効果があると評価する。先入観を避け、客観的に治療効果を評価するためには、参加者をA、B群にランダムに割り付ける試験の方法（ランダム化比較試験）が取られる。だがランダムである以上、医学的介入を希望する参加者が対照群に振り分けられてしまうことも、当然起こり得る。1対1で割り付けをする場合、治験に参加する患者の半数が期待する治療は受けられないことになる。

　被験者の中には「開発中の新薬が“最後の希望”になるかもしれない」という強い思いで治験に参加している人もいる。がんや希少疾患の新薬の治験においては、特にこのような“いちるの望み”を抱いて治験に参加する人が少なくない。プラセボ投与群あるいは標準治療群の場合致命的欠如となってしまう。ランダム化比較試験は、科学的には信頼性の高い方法だとしても、治験参加者に対する倫理的な観点から課題がある。

　そこで考案されているのが、実際の被験者による対照群を置くのではなく、蓄積した過去の臨床試験データから対照群を合成するやり方だ。こうして作り出した合成対照群と治療群を比較することで、単群試験でも治療効果を客観的に評価できるようになる（図1）。

　国立高度専門医療研究センターが中心となって構築を進めている疾患登録システムにおいても、活用例の1つとして、患者の自然歴（治療をしない場合の経過）を把握し治験の対照群として利用することを想定している。厚生労働省は具体的な方法についてガイドラインの策定を進めている（注3）。

※注3：2017年3月厚生労働省医政局研究開発振興課「臨床開発に係る取り組み（クリニカル・イノベーション・ネットワーク）」（pdf）。

図1　合成対照群の概要図（メディデータ作成）

ITは精密医療を後押しする

　ITの進歩は、精密医療を進展させる。精密医療とは、患者の持つ特性（例えば高血圧症のリスクが高い）などを遺伝子レベルで分析し、その特性に合った治療薬を投与することによって実現する、一人一人に最適な治療のことを指す。この手法はさまざまな疾患に対して有効だが、特にがん治療の分野で注目を集めている。例えば、がんの原因となる遺伝子異常を発見し、それに適応する薬を投与してがんに対抗する、といった具合だ。既に乳がんや肺がん治療の分野では、精密医療への取り組みが進んでいる。

　患者の臨床データを蓄積する単一のクラウドサービスがあれば、ゲノム解析チームと臨床開発チームのデータを連携させることも容易になる。ヒトゲノムの解析データを臨床開発に取り込むことによって、安全性や有効性と相関関係があるバイオマーカー（注4）や遺伝子型に基づいて患者グループを特定し、治療法を選択できる可能性がある（図2）。こうした技術は、精密医療の実現を大きく後押しするだろう。

図2　遺伝子バイオマーカーの発見を支援するシステムの例（画面はメディデータ「Clinical Trial Genomics」のユーザーインタフェース。乳がん患者の遺伝子情報をもとにアルゴリズムによって自動的にグループを分けることで、サブタイプや治療の奏効率に関連性の高い遺伝子の発見などが可能）

※注4：血液、尿などの体液や組織に含まれるタンパク質や遺伝子などの変化を調べることで病気の変化や治療に対する反応をみる客観的な目印のこと。

　ITは新薬開発の在り方や治療方法を革新する可能性を秘めている。そう遠くない将来には、ウェアラブルデバイスで生体データを継続的かつリアルタイムに測定し、それに伴ってリアルタイムで治療を実施できるようになるだろう。例えばウェアラブルデバイスでリアルタイムに測定している血糖値に応じて、埋め込み型のデバイスからインスリンなど必要な薬剤を適量投与する、というようなことが実現する可能性がある。実際、既にメディデータでは200種類以上のウェアラブルデバイスとMedidata Clinical Cloudとのつなぎ込みを可能にしている。新薬を開発する企業は、疾病の領域やプロトコルの特性などに応じた適切なウェアラブルデバイスを、メディデータのクラウドサービスから選べるようになっている。

　臨床試験データ収集の効率化やデータ品質の向上、ビッグデータの有効活用など、ITはライフサイエンスを進化させる強力な推進力となり得る。治療を必要とする患者の下に、有効な治療法が1日でも早く届く未来に向けて、ITによる新薬開発の変革はこれからもさらに進んでいくに違いない。

印刷する