EHRからEDCへ：AI支援によるデータ取り込みがSDVのあり方を変える

治験におけるSource Data Verification（SDV）は、常に重要な役割を果たしてきました。EDCに入力されたデータが原資料を正確に反映していることについて、治験依頼者、CRO、モニターに確信を与えるものです。

しかし、SDVの実施方法は、これまで高度に手作業に依存したプロセスに頼ってきました。

実施医療機関のチームは、患者の電子カルテや検査報告書などの原資料にデータを記録します。その情報は、その後手作業でEDCに転記されます。後日、CRAが入力された値を原資料と照合します。欠落や不整合があれば、それはクエリとなり、実施医療機関は再びそのデータに立ち返らなければなりません。

この原則自体は理にかなっています。負担が生じるのは、手作業のワークフローに依存している部分です。

手作業による転記は、遅延を生み、避けられるはずのエラーを招き、実施医療機関、データマネージャー、CRAに余分なレビュー作業を課します。cubeCDMSの統合不要なEHR-to-EDC機能は、原資料の取り扱い、マスキング、自動入力、リモートレビュー、監査証跡の可視化をEDCのワークフローに近づけることで、この摩擦に対応します。

手作業による原資料データフローの課題

SDVが従来必要とされてきたのは、EDCにおけるデータの取り込み方に起因します。データ取り込みのワークフローそのものが最適化されていないため、SDVもまた最適とはいえないプロセスの中に位置づけられてきました。

一つの値が患者の電子カルテに記録され、EDCに転記され、モニターによってレビューされ、データマネージャーによってクエリが発行され、実施医療機関によって修正され、そして再びレビューされる——こうした一連の流れの中で、各引き継ぎのたびに遅延や不整合が生じる余地が生まれます。

これは、原資料へのリモートアクセスが困難な場合や、レビュー前に隠す必要のある機微情報が原本ファイルに含まれている場合に、特に大きな課題となります。

その結果、本来は臨床的または運用上の対応が必要な値に注力すべきところ、人々はデータの移動と確認そのものに多くの時間を費やすことになってしまいます。

統合不要なEHR-to-EDCの仕組み

新しいワークフローは、cubeCDMS内での原資料の収集から始まります。

ユーザーは電子カルテや検査報告書などの原資料をアップロードまたは画面共有し、AIを用いて必要なテキスト値を抽出し、該当するeCRF項目に反映させることができます。

重要なのは、ユーザーが常に主導権を持つという点です。

AIが生成した内容は、検証が必要なものとして明確に識別されます。本システムは、レビューの必要性を排除するものではありません。むしろ、ページを保存する前にeCRF内で抽出された値を確認できるようにすることで、より速い出発点をユーザーに提供します。

これにより、実施医療機関のユーザーの役割は、手作業による転記者から、レビュー担当者へと変化します。

監査証跡がプロセスの管理を支える

臨床データ管理においてAIを活用する際、トレーサビリティは不可欠です。

EHR-to-EDCを通じて入力されたeCRF項目について、cubeCDMSはその値がAI支援によって入力されたものかどうか、また入力後に変更されたかどうかを示せるように設計されています。これにより、値がどのようにシステムに入力され、保存される前に何が起きたのかを、チームがより明確に把握できるようになります。

規制対象となる治験において、この区別は重要です。

AIはワークフローを支援できますが、臨床データには依然として明確な所有権、レビュー、そして監査可能性が求められます。

 EHR-to-EDCが転記の負担を軽減する

実施医療機関のチームにとっては、反復的なデータ入力の負担が軽減されます。

• データマネージャーにとっては、避けられるはずの転記の不整合が減少します。

• CRAにとっては、原資料とeCRFの関係性をレビューしやすくなります。

その効果は、単なるスピードにとどまりません。一貫性の向上こそが本質です。

データが管理されたワークフローを通じて原資料からeCRFへと移動することで、レビュー、修正、トレーサビリティへの道筋がより明確になります。

SDVにとっての意味

EHR-to-EDCは、SDVをなくすものではありません。必要とされるSDVのレベルを軽減するものです。

原資料の値が手作業でEDCに転記される場合、モニターは転記ミスの確認、クエリの発行、実施医療機関からの修正待ちに、より多くの時間を費やすことになりがちです。

EHR-to-EDCは、原資料のデータを該当するeCRF項目に直接抽出することで、このワークフローを変えます。原資料、抽出された値、入力されたデータをまとめてレビューできるため、eCRFが原本を正確に反映しているかどうかを確認しやすくなります。

これは、SDVや人によるレビューの必要性をなくすものではありません。レビューの出発点となるデータの質そのものを向上させるものです。

手作業による転記の工程が減ることで、チームは避けられるはずの不整合を減らし、クエリの件数を抑え、実施医療機関での再作業を削減できます。その結果、SDVはより迅速かつ的を絞ったものとなり、モニターは転記された値の確認に費やす時間を減らし、本来注意を向けるべきデータのレビューに、より多くの時間を割けるようになります。

AI活用型の臨床データレビューへの実践的な一歩

SDVの未来は、人による監督を置き換えることにあるのではありません。その周辺にある不要な手作業を取り除くことにあります。

EHR-to-EDCは、原資料の取り扱い、マスキング、自動入力、リモートモニタリング、監査証跡の可視化を、cubeCDMS内の一つのワークフローにまとめる実践的な手段を、治験チームに提供します。

実施医療機関にとっては反復入力を減らし、CRAにとっては原資料レビューを改善し、データマネージャーにとっては避けられるはずの不整合を減らします。治験依頼者やCROにとっては、原資料の取り込み、EDCレビュー、SDVを一体化したアプローチが実現します。

その結果、原資料から検証済みの臨床データに至るまでの、より整理された道筋が生まれます。

AIが真に意味のある違いを生み出せるのは、まさにこの点においてです。管理を取り除くのではなく、治験チームに最初からより良い管理をもたらすことによって、です。

より質の高い臨床データへの実践的な一歩

EHR-to-EDCの価値は、手作業による入力を減らすことだけにとどまりません。臨床試験のワークフローにデータが取り込まれる時点でのデータの質そのものを高めます。

原資料の値がユーザーレビューを伴ってEDCに抽出されることで、チームは転記ミスを減らし、クエリの件数を抑え、SDVをより的を絞ったものにできます。これにより、モニターやデータマネージャーは注意を向けるべきデータをより明確に把握でき、避けられるはずの不整合の確認や修正に費やす時間を減らすことができます。

プロセスの早い段階でデータの質が高まることは、データ取得からデータ解析までの工程が少なくなることも意味します。重要なシグナルをより早く特定でき、レビューのサイクルを加速させ、治験チームはより高い確信を持って意思決定を行えるようになります。

治験依頼者やCROにとって、これは原資料から検証済みの臨床データに至るまでの、より効率的な道筋を生み出します。手作業の工程が減り、避けられるはずのエラーが減り、レビューが迅速になることは、いずれも治験コストの削減と、より効率的な治験実施につながります。

AIが真に意味のある違いを生み出せるのは、まさにこの点においてです。監督を置き換えるのではなく、治験チームが最初からより質の高いデータを取得し、レビューからアクションへとより速く移行できるよう支援することによって、です。