電子カルテデータとリスク予測モデルによる膵臓がん早期発見の試行研究
膵臓がんは、その発見の難しさから「サイレントキラー」とも呼ばれ、早期発見が非常に難しいがんです。症状が出にくい上に、進行が速いため、発見された時にはすでに進行しているケースが多く、治療が難しいことで知られています。しかし、もしAI（人工知能）と電子カルテの力を借りて、膵臓がんのリスクが高い人を早期に特定し、必要な検査へとつなげることができたらどうでしょうか。今回の研究は、まさにこの画期的なアプローチの実現可能性を探る、希望に満ちた試みです。
💡 膵臓がん早期発見の新たな光：AIと電子カルテの融合
膵臓がんの早期発見は、患者さんの予後を大きく改善するために不可欠です。しかし、これまでのところ、有効なスクリーニング方法が確立されておらず、多くの医療機関がこの課題に直面しています。そんな中、最新のテクノロジーを活用した新たな戦略が注目を集めています。
研究の背景と目的
膵臓がんは、日本だけでなく世界中で死亡率の高いがんの一つです。その主な理由は、早期に特異的な症状が現れにくく、がんが進行してから発見されることが多いためです。早期発見のためには、リスクの高い人を効率的に見つけ出し、精密検査へとつなげる仕組みが求められています。
これまでの研究では、患者さんの電子カルテ（EHR: Electronic Health Records）1に蓄積された膨大な医療データを用いて、機械学習（ML: Machine Learning）2や回帰分析（Regression-based）3といったAI技術を駆使したリスク予測モデルが開発されてきました。これらのモデルは、患者さんが近い将来に膵臓がんを発症するリスクを推定するものです。
今回のパイロット研究（Pilot Study）4は、これらのリスク予測モデルが実際にどれだけ役立つのかを検証するために行われました。具体的には、電子カルテデータに基づいて膵臓がんのリスクが高いと判断された患者さんに対し、その後の画像検査（CTやMRIなど）や血液検査（腫瘍マーカーなど）を組み合わせることで、膵臓がんの早期発見戦略が実現可能かどうか、そしてその際に患者さんや医療システムにかかる負担はどの程度かを評価することを目的としています。
研究の方法
この研究は、2021年1月から2023年3月にかけて実施された前向き研究です。
対象者: 50歳から84歳までの成人で、過去に開発された4つのリスク予測モデルのいずれかによって、18ヶ月以内に膵臓がんを発症するリスクが1%以上と推定された患者さんが対象となりました。
除外基準: すでに膵臓がんの診断を受けている方や、膵臓がんが強く疑われる症状がある方は、今回の早期発見戦略の対象とはならないため、研究からは除外されました。
検査内容: 参加者には、研究開始時（ベースライン）と18ヶ月後の2回にわたり、横断的画像検査（Cross-sectional imaging）5（CTやMRIなど）と、血液検査によるCA19-96（膵臓がんの腫瘍マーカー）の測定を受けていただきました。
評価項目: 研究では、以下の点が評価されました。
参加率: リスクが高いと判断された患者さんのうち、実際に研究に参加してくれた方の割合。
検査完了率: 参加者が画像検査や血液検査をきちんと受けてくれた割合。
偶発的所見（Incidental findings）7の負担: 膵臓がんとは直接関係のない、偶然見つかった異常な所見がどの程度あり、それが患者さんや医療システムにどの程度の追加的な評価や負担をもたらしたか。
この研究は、AIによるリスク予測から実際の検査、そしてその結果の評価までの一連の流れを検証する、非常に重要なステップとなりました。
主要な研究結果
今回のパイロット研究で得られた主な結果は以下の通りです。
| 評価項目 | 結果 | 詳細 |
|---|---|---|
| 対象患者数 | 1251人 | 電子カルテデータからリスクが高いと特定された患者さんの総数 |
| 研究参加者数 | 102人 | 実際に研究に参加してくれた患者さんの数 |
| 参加率 | 8.2% | 対象患者数に対する参加者数の割合 |
| 参加者の属性（中央値） | 年齢 69歳 (IQR 62-75) | 女性 58%、ヒスパニック系 48%、白人 34%、黒人 11%、アジア系 7% |
| ベースライン時の画像検査完了率 | 87% (89/102人) | 研究開始時に画像検査を完了した参加者の割合 |
| ベースライン時のCA19-9検査完了率 | 96% (98/102人) | 研究開始時にCA19-9血液検査を完了した参加者の割合 |
| 18ヶ月後の両検査完了率 | 79% | 18ヶ月後の画像検査とCA19-9血液検査の両方を完了した参加者の割合 |
| 追加臨床評価が必要となった参加者数 | 10人 (10%) | 画像検査の結果により、さらなる精密検査が必要と判断された参加者の数 |
| 追加評価の内訳 | 内視鏡的超音波検査8、腎臓画像検査9、フィブロスキャン10など | 偶発的所見に対する精密検査の内容 |
| CA19-9のベースライン結果 | ほとんどが正常値 | ただし、18%の参加者でベースライン時にCA19-9の軽度上昇が見られた |
この結果から、リスクが高いとされた患者さんを特定し、その後の検査へとつなげるプロセスは技術的に可能であることが示されました。また、検査の完了率も高く、参加者が積極的に検査を受けてくれたことが分かります。偶発的所見による追加評価の必要性は10%にとどまり、その負担は許容範囲内であると評価されました。しかし、最も注目すべきは、リスクが高いとされた1251人のうち、実際に研究に参加してくれたのがわずか102人（8.2%）であったという点です。
研究結果から見えてくる考察
今回のパイロット研究は、電子カルテとAIを組み合わせた膵臓がんの早期発見戦略が、技術的には実現可能であることを示しました。リスクの高い患者さんを特定し、画像検査や血液検査へと誘導する一連のプロセスは、比較的スムーズに行われたと言えます。特に、偶発的所見による追加的な医療負担が許容範囲内であったことは、大規模なスクリーニングプログラムを導入する上で重要なポイントです。
しかし、この研究の最も大きな課題として浮上したのは、患者さんの参加率の低さです。リスクが高いとAIによって特定されたにもかかわらず、実際に研究に参加したのはわずか8.2%に過ぎませんでした。これは、どれだけ優れたリスク予測モデルがあったとしても、患者さん自身がその重要性を理解し、積極的に検査を受ける意思がなければ、早期発見戦略は成功しないという現実を突きつけています。
この低い参加率の背景には、様々な要因が考えられます。例えば、患者さんが自身の膵臓がんリスクについて十分に理解していなかったり、追加の検査を受けることへの不安や抵抗感があったり、あるいは医療機関からの情報提供が不十分であったりする可能性もあります。また、膵臓がんという病気の重篤さゆえに、リスクを告知されること自体に心理的な負担を感じる人もいるかもしれません。
この結果は、AIを活用した医療戦略を社会に実装していく上で、「患者エンゲージメント（Patient Engagement）」、つまり患者さんが自身の健康管理に積極的に関わり、医療プロセスに参加してもらうことの重要性を強く示唆しています。単に技術を導入するだけでなく、患者さんとのコミュニケーションを強化し、信頼関係を築き、検査の必要性やメリットを分かりやすく伝える努力が不可欠であると言えるでしょう。
膵臓がん早期発見のために私たちができること：実生活へのアドバイス
今回の研究は、AIと電子カルテが膵臓がんの早期発見に大きな可能性を秘めていることを示しましたが、同時に私たち一人ひとりの意識と行動も重要であることを教えてくれました。膵臓がんの早期発見のために、私たちが実生活でできることは何でしょうか。
定期的な健康診断の受診: 症状がなくても、定期的に健康診断を受けることで、体の変化に気づくきっかけになります。特に、糖尿病の新規発症や急激な悪化、原因不明の体重減少など、膵臓がんのサインかもしれない症状には注意が必要です。
リスク因子の認識と生活習慣の改善: 膵臓がんのリスク因子として、喫煙、過度の飲酒、肥満、糖尿病、慢性膵炎、膵臓がんの家族歴などが挙げられます。これらのリスク因子を認識し、禁煙、節度ある飲酒、バランスの取れた食事、適度な運動など、健康的な生活習慣を心がけましょう。
体調の変化に注意し、気になる症状があれば早めに医療機関を受診: 漠然とした腹部の不快感、背中の痛み、食欲不振、黄疸（皮膚や白目が黄色くなること）など、気になる症状が続く場合は、自己判断せずに速やかに医療機関を受診し、医師に相談してください。
医療機関との連携を大切に: かかりつけ医を持ち、自身の健康状態や既往歴、家族歴などを正確に伝えることが重要です。電子カルテの活用が進むことで、医療情報が共有されやすくなりますが、患者さん自身も積極的に情報提供を行うことで、より適切な医療を受けることができます。
新しい医療技術への理解と協力: 今回の研究のように、AIなどの新しい技術が医療に応用されることで、これまで難しかった病気の早期発見や治療が可能になるかもしれません。これらの研究や取り組みへの理解を深め、必要に応じて協力することも、未来の医療を支える大切な一歩となります。
研究の限界と今後の課題
今回の研究は、膵臓がん早期発見の新たな道筋を示すものでしたが、いくつかの限界と今後の課題も浮き彫りになりました。
まず、これは「パイロット研究」であり、比較的小規模な集団を対象としたものです。そのため、この結果が大規模な一般集団にもそのまま当てはまるかどうかは、さらなる大規模な研究で検証する必要があります。
次に、最も大きな課題として挙げられるのが、前述の通り「患者参加率の低さ」です。リスクが高いとAIによって特定された患者さんのうち、実際に研究に参加したのが8.2%に留まったことは、AIガイド戦略を大規模に展開する上で克服すべき最大の障壁です。患者さんが自身の健康リスクを理解し、積極的に検査を受けるよう促すための効果的なコミュニケーション戦略や、心理的・経済的負担を軽減する仕組み作りが不可欠となるでしょう。
また、この研究の目的は「早期発見戦略の実現可能性」を評価することであり、実際に膵臓がんがどれだけ早期に発見されたか、あるいは発見されたがんがどのステージであったかといった具体的なデータは、今回の抄録からは読み取れません。今後の研究では、この戦略が実際に膵臓がんの早期発見率や患者さんの予後改善にどの程度貢献するのかを、長期的に評価していく必要があります。
さらに、AIガイド戦略を社会に実装する際には、コスト、倫理的側面（例えば、AIによるリスク評価の精度や、偶発的所見への対応など）、そして医療格差の問題など、多岐にわたる課題を検討し、解決していく必要があります。
これらの課題を乗り越え、AIと電子カルテが真に膵臓がんの早期発見に貢献できるよう、医療従事者、研究者、そして私たち患者一人ひとりが協力していくことが求められています。
🌟 まとめ
今回のパイロット研究は、電子カルテデータとAIによるリスク予測モデルが、膵臓がんの早期発見戦略において大きな可能性を秘めていることを示しました。リスクの高い患者さんを特定し、画像検査や血液検査へとつなげる一連のプロセスは技術的に実現可能であり、偶発的所見による追加負担も許容範囲内であることが分かりました。これは、これまで早期発見が極めて困難であった膵臓がんに対し、新たな希望の光を灯す画期的な一歩と言えるでしょう。
しかし、同時に、この戦略を社会全体に広げていくためには、患者さんの参加率を向上させることが最も重要な課題であることも浮き彫りになりました。どれだけ優れた技術があっても、患者さん自身がその恩恵を受けるために積極的に行動しなければ、その効果は限定的になってしまいます。
AIと電子カルテの力を最大限に活用し、膵臓がんの早期発見を実現するためには、技術的な進歩だけでなく、患者さんへの丁寧な情報提供、信頼関係の構築、そして医療システム全体の協力が不可欠です。今回の研究は、未来の医療が目指すべき方向性を示しつつ、私たち一人ひとりの意識と行動変容が、その実現にどれほど重要であるかを教えてくれる貴重な知見となりました。
🔗 関連リンク集
国立がん研究センター がん情報サービス:
https://ganjoho.jp/
膵臓がんに関する最新情報や統計、治療法など、信頼できる情報が豊富に掲載されています。
日本膵臓学会:
https://www.suizou.org/
膵臓病に関する専門的な情報や、学会の活動内容が紹介されています。
厚生労働省:
https://www.mhlw.go.jp/
日本の医療政策や健康に関する基本的な情報が掲載されています。
PubMed (米国国立医学図書館):
https://pubmed.ncbi.nlm.nih.gov/
世界中の医学論文を検索できるデータベースです。今回の研究論文の原文なども検索できます（専門家向け）。
1 電子カルテ (EHR: Electronic Health Records): 患者さんの医療情報をデジタルで記録・管理するシステムのことです。診察記録、検査結果、処方薬などが一元的に保存されます。
2 機械学習 (ML: Machine Learning): コンピュータが大量のデータから自動的にパターンやルールを学習し、予測や分類を行う人工知能の一分野です。
3 回帰分析 (Regression-based): 統計学の手法の一つで、ある変数が他の変数とどのように関係しているかを分析し、将来の値を予測するために使われます。
4 パイロット研究 (Pilot Study): 本格的な大規模研究を行う前に、その研究の実現可能性や方法論の妥当性を確認するために小規模で行われる予備的な研究のことです。
5 横断的画像検査 (Cross-sectional imaging): CTスキャンやMRIなど、体の断面を撮影して詳細な画像を得る検査のことです。
6 CA19-9: 血液検査で測定される腫瘍マーカーの一種です。膵臓がんや胆道がんなどで数値が上昇することがありますが、炎症など良性の病気でも高くなることがあります。
7 偶発的所見 (Incidental findings): 検査の本来の目的とは別に、偶然見つかった異常や所見のことです。多くは良性ですが、中には精密検査が必要なものもあります。
8 内視鏡的超音波検査 (Endoscopic Ultrasound: EUS): 内視鏡の先端に超音波装置がついたもので、消化管の内側から臓器を詳しく観察し、病変の有無や広がりを調べる検査です。
9 腎臓画像検査 (Renal imaging): 腎臓の状態を詳しく調べるための画像検査で、超音波、CT、MRIなどがあります。
10 フィブロスキャン (FibroScan): 肝臓の硬さ（線維化の程度）を非侵襲的に測定する検査装置です。
書誌情報
| DOI | 10.1002/cam4.72368 |
|---|---|
| PMID | 42885470 |
| PubMed URL | https://pubmed.ncbi.nlm.nih.gov/42885470/ |
| 発行年 | 2026 |
| 著者名 | Wu Bechien U, Luong Tiffany Q, Lustigova Eva, Jeon Christie, Puttock Eric J, Moon Rebecca H, Munis Mercedes A, Chen Wansu |
| 著者所属 | Department of Research and Evaluation, Southern California Permanente Medical Group, Pasadena, California, USA.; Tulane Center for Clinical Research, Tulane University School of Medicine, New Orleans, Louisiana, USA.; Department of Epidemiology, UCLA Fielding School of Public Health, Los Angeles, California, USA.; Department of Gastroenterology, Kaiser Permanente Los Angeles Medical Center, Los Angeles, California, USA. |
| 雑誌名 | Cancer Med |