データマネージャー2.0：AIの活用で臨床データマネジメントを変革する

（臨床開発業務およびデータマネジメント部門のリーダーのための戦略ガイド）

データマネージャーの進化

AIは、臨床試験のワークフローを急速に作り変えつつあります。データベース構築の自動化から臨床データ取得の自動化まで、機械学習を活用した機能によって、これまで数百時間を要していたプロセスが効率化されています。

しかし、テクノロジーだけで組織が変わるわけではありません。臨床研究のスピードが増しても、変わらない本質があります。高度なソフトウェアは複雑なデータ業務を自動化できますが、組織の根底にある文化までは変えられません。

データマネージャー2.0への移行を成功させるには、CRO（医薬品開発業務受託機関）や治験依頼者がソフトウェアの刷新だけに目を向けていては不十分です。AI導入を、テクノロジー、プロセス、人材を包括するチェンジマネジメントの視点から、バランスよく捉える必要があります。

データマネージャー2.0の基本的な考え方： AIは臨床データマネージャーに取って代わるものではなく、業務量全体を減らすものでもありません。AIがもたらすのは、専門職としての役割の広がりです。目の前のタスクの処理、定型的なクエリ管理、手作業によるデータベース構築といった業務から、システムバリデーション、データ品質を担保する仕組みの設計、そして試験リスクに先手を打つ戦略立案へと、役割が広がっていきます。

3つの柱によるチェンジマネジメント・フレームワーク

変革をもたらすAI機能を、規制面・運用面での摩擦を生まずに導入するには、相互に関連する3つの柱を一体として扱う必要があります。

• テクノロジー： 臨床データのプロセスに直接作用する、目的特化型のAIツールを導入する。

• プロセス： 標準業務手順書（SOP）、バリデーションのフレームワーク、データフローを、規制要件に沿う形で更新する。

• 人材： チームのリスキリングを進め、ヒューマン・イン・ザ・ループ（人が判断プロセスに関与する仕組み）による検証体制を確立し、信頼と戦略的な監督を重視する文化を育てる。

AI機能の分類：リスクに応じてワークフローを設計する

すべてのAI機能が、運用面・規制面で同じリスクを伴うわけではありません。導入の指針として、AI機能は影響度に応じて3つの段階に分類できます。

実践例：CRScubeのAI機能の活用

このフレームワークが実際の試験管理にどう適用されるのか、CRScubeのエコシステムに組み込まれた3つの主要なAI機能を例に見てみましょう。

1. データ入力時点でのAI支援による医学用語コーディング

• 影響度： 低影響（生産性向上ツール）

• プロセスの変革： 医学用語コーディング（MedDRA／WHODrug）は従来、データ入力後にまとめて事後的に行われてきました。そのため、クエリの発行が遅れ、コーディング作業が滞留する原因となっていました。CRScubeでは、データ入力の時点でAIによる候補提示を行います。施設スタッフが報告用語（verbatim）をシステムに入力すると、該当する用語候補がその場でリアルタイムに表示されます。

• データマネージャー2.0の役割： 入力と同時にコーディングが行われるため、入力後のコーディングの滞留やクエリの発生が大幅に減少します。コーディング担当者は、確定前に候補を承認するか修正するかを判断でき、プロセス全体を引き続き監督します。既存のSOPへの準拠を保ちながら、コーディング効率を最大限に高めることができます。

2. データ取得の自動化：入力時点から高品質なデータを

• 影響度： 低〜中影響（生産性向上およびプロセス改善）

• プロセスの変革： 電子カルテ（EHR）や施設の臨床検査データなどの原資料から、EDC（Electronic Data Capture：電子的データ収集）プラットフォームへの手作業による転記は、今なお入力ミスや手作業によるクエリの主な原因となっています。CRScubeのデータ自動取得機能は、システム連携を必要とせずにさまざまな原資料からデータを自動で取り込み、リモートでのSDV（Source Data Verification：原資料との照合）を可能にします。

• データマネージャー2.0の役割： 最初からクリーンなデータが入力されるため、データマネージャーが反復的なデータクラリフィケーションフォーム（DCF）の対応に費やす時間は大幅に減ります。役割の重心は、臨床開発モニター（CRA）と連携してSDVの要件を評価することへと移ります。また、試験のあらゆるデータストリームにリスクベース品質管理（RBQM）の考え方をさらに取り入れていくことも求められます。

3. AI主導のEDCセットアップ：データベース構築者から検証の要へ

• 影響度： 中影響（プロセス改善）

• プロセスの変革： 従来、EDCデータベースの構築では、データマネージャーや開発者が試験の要件を手作業で読み解き、電子症例報告書（eCRF）を作成し、複雑なエディットチェックのロジックをプログラミングする必要がありました。CRScubeのAI主導のEDCセットアップでは、AIモデルが試験のCRF仕様書を読み込み、EDCデータベースの設定とルールロジックの草案を自動で生成します。

• データマネージャー2.0の役割： データマネージャーは、手作業でデータベースを組み上げる立場から、システムを厳しい目で検証する立場へと移行します。AIが生成した設定をレビューし、試験固有のエッジケースを評価して、ロジックを微調整します。これにより、データベース構築期間を大幅に短縮しながら、システム全体の品質を高めることができます。

チェンジマネジメントの進め方：AI導入を成功させるための主なポイント

データマネージャー2.0への移行を成功させるには、業務と人の両面にわたる綿密な計画が欠かせません。変革をもたらすAIの導入を検討している組織は、次の基本ステップに注力することをおすすめします。

• AIの機能を事業目標と整合させる： 中核となるプロセスやチームの役割を変えるAIソリューションを導入する前に、明確な業務上の目標を定めておきましょう。

• 規制の動向を理解する： AI技術をめぐる規制当局の考え方（ICH E6(R3)や米国食品医薬品局（FDA）のガイダンスなど）を、時間をかけて把握しましょう。コンプライアンス上の義務を早い段階で理解しておけば、影響の大きい自動化機能を導入する際の摩擦を防げます。

• スタッフのリスキリングに先行投資する： リスクベースのデータレビュー、システムバリデーション、高度なアナリティクスといった新しいスキルの習得を支援しましょう。メンバーがテクノロジーとともに自信を持って成長できる環境づくりが重要です。

• 明確な戦略的方向性を示す： 新しいテクノロジーによってワークフローがどう変わるのかを、オープンに伝えましょう。リーダーが透明性をもって説明することで、役割や責任の変化に伴う不安や戸惑いを和らげることができます。

今後の展望：「臨床データサイエンティスト」の誕生

臨床研究の長期的な方向性はまだ固まっていませんが、考えられる将来像の一つが、データマネージャーから臨床データサイエンティストへの進化です。自動化されたパイプラインやAIモデルが、機械的なデータ入力、データの突合、定型的なクエリの振り分けを担うようになれば、この職種の日々の業務の焦点は根本から変わる可能性があります。

将来のデータマネージャーは、事後的な品質管理を担うのではなく、先を見据えたアナリスト、戦略立案者、そして科学的な課題解決者として活躍するようになるかもしれません。そうした将来像では、その役割は次のような領域を中心に発展していくと考えられます。

• 上流でのプロトコル設計と早期のデータ標準化： 臨床データサイエンティストは、デジタルプロトコルの起草の最初期段階から、試験デザインの担当者と協働するようになるでしょう。標準化されたデータ構造や収集モデル（CDISC標準など）を最初から組み込むことで、データの発生源で品質に直接働きかけ、下流での事後的な是正の必要性を減らすことができます。

• トレンドの先回り管理と予測的な監視： 個々のデータポイントを確認したり、事後的に不整合を解消したりするのではなく、高度なアナリティクスを活用して、複数のデータストリームにまたがる集約データのパターンをリアルタイムで監視するようになるかもしれません。これにより、試験全体に及ぶデータの傾向、施設単位での遵守状況のずれ、安全性シグナル、運用上の異常などを、試験スケジュールに支障が出る前に察知できる可能性があります。

• 試験関係者をつなぐ中心的なハブ： 臨床試験で扱うデータストリームが多様化するなか、データサイエンティストは主要な試験関係者を結びつける戦略的な架け橋として、重要な役割を担うことになるでしょう。生物統計、臨床開発業務、メディカルモニタリング、データエンジニアリング、そして実施医療機関が交わる位置に立ち、複雑なデータから得られた知見を明確な業務上の指針に落とし込みます。そうすることで、試験のライフサイクル全体を通じて部門横断的な足並みをそろえることができます。

業務量について： こうした変化は、データマネージャーの仕事が減ることを意味するものではありません。試験デザインの複雑化やデータ量の増大は今後も続きます。定型的な処理はテクノロジーが担い、データマネージャーは臨床に関する深い専門知識を、付加価値の高いリスク管理、プロトコルの監督、試験の継続性の確保に注げるようになるのです。

臨床部門のリーダーに向けたアクションサマリー

1. 機能の影響度を評価する： 自社の臨床データツールを見直し、今後導入するAI機能を低・中・高の影響度に分類して、必要なチェンジマネジメントの規模を見極めましょう。

2. 本格展開の前にパイロットを実施する： AIによるEDCセットアップのようにプロセスを変える機能は、まず一部の試験でパイロット導入を行い、バリデーション手順を改善してから、ポートフォリオ全体へ展開しましょう。

3. チームの力を引き出す： AIを、反復的な付随業務を自動化してくれる頼もしい「副操縦士（コパイロット）」と位置づけ、データマネージャーが戦略的なデータ監督に集中できる環境をつくりましょう。