医療現場の格差をなくす学習型医療システム：AMIAの最新研究が示す情報学の役割
解説対象論文: The Roles of Biomedical Informatics for an Equitable Learning Health System: Lessons from a Year of Scientific Informatics Literature
Methods of Information in Medicine｜被引用数: 0（2026年8月17日時点）
学習型医療システム（LHS）は、データを知識に変え、知識を行動に移すことで、継続的な医療改善を目指します。しかし、現在の医療データにはアクセスの格差、提供方法、そして結果における不均衡が反映されており、意図的な設計がなければLHSが公平に医療を改善できるかという懸念が生じます。本記事では、生体医用情報学がLHSの各段階で公平性をどのように支援できるかについて、最新の研究文献から得られた知見を解説します。
学習型医療システムと公平性：基盤を築く情報学
どうも、Beyond the Pixelです。学習型医療システム（LHS）は、データを知識へと転換し、その知識を具体的な医療行動へと結びつけることで、継続的に医療を改善する仕組みです。しかし、医療現場のデータには、アクセスや提供、結果における既存の格差が反映されており、意図的な設計がなければ、この学習サイクルが公平な医療改善に繋がらない可能性があります。本記事では、この重要な課題に対し、生体医用情報学がどのように貢献できるかを、2025年AMIA（アメリカ医療情報学会）の「Year in Review（年間レビュー）」に提出された最新の研究文献を基に解説します。この研究では、AMIAの専門家から提出された240報の論文の中から、LHSにおける医療格差（ヘルスエクイティ）のテーマに焦点を当てて56報を精選し、生体医用情報学がLHSの各段階で公平性をどのように支援できるかを示しています。公平性は、LHSサイクルのあらゆる段階に影響を与える条件として浮上しています。情報学の介入の価値は、技術的な性能だけでなく、提供する対象者にとって包摂的（インクルーシブ）、説明責任のある、公平な学習サイクルを構築できるかによって判断されるべきであると結論付けられています。
学習型医療システムの成熟と公平な設計
成熟したLHSの実装例は、大規模な学習サイクルが公平性のためにどのように設計されうるかを示しています。例えば、Tenenbaum氏が提唱した学習型公衆衛生システム（LPHS）は、臨床データ、社会的データ、環境データを統合し、公衆衛生政策と介入を継続的に改善するデータ駆動型のエコシステムです。このフレームワークは、断片化されたガバナンスや相互運用性の課題、資金の不整合といった障壁を指摘しつつも、公平性を重視した包括的な公衆衛生の意思決定に堅牢なLPHSが不可欠であることを強調しています。また、退役軍人省の25年間の経験に基づくKilbourneらの研究は、エビデンス生成から持続可能な政策への再現可能なロードマップを示しました。この中で、退役軍人の住居状況、臨床的特徴、その他の社会的健康の決定要因を含むデータ源が特定され、質の向上、効率性、そして退役軍人への公平なサービスの提供を目指す迅速な研究を可能にしています。コロラド州パーソナル医療センター（CCPM）のバイオバンクは、臨床、保険請求、環境、ゲノムデータを調和の取れた共通データモデルのもとに統合し、薬理遺伝学的なポイントオブケア意思決定支援を提供しています。20万人を超える参加者が多様な祖先を反映するよう、幅広い臨床環境で登録が拡大されました。これらの実装例は、LHSのインフラが意図的に公平性のために設計される必要があることを示唆しています。小児肝臓移植におけるStarzl Network for Excellence in Pediatric Transplantation (SNEPT) LHSは、実践のばらつきを減らすことを目的としたWebベースのアプリケーションをサポートするために、移植特有のデータセットで強化されました。McMurryらは、学術医療センターから連邦認定の医療施設へのプライバシーを保護した電子カルテデータの共有を可能にするアプリケーション「Cumulus」について説明しており、従来過小評価されてきた対象者集団からのデータアクセス障壁を低減しています。OnTrackNYは、その学習ループを利用して、早期精神病の若者における共有意思決定における人種的格差を特定し、対処しました。小児心不全の多国籍レジストリであるACTIONネットワークは、脳卒中発生率の測定可能な削減をもたらし、新しいデバイスの承認を支援しました。これらの実装全体に共通する要件には、相互運用可能なデータインフラ、ステークホルダーとの協働、そして学習サイクル内での公平性への意図的な配慮が含まれます。
実世界エビデンス（RWE）と包摂的なデータが示す課題
実世界エビデンス（RWE）は、日常的なケアを構造化された知識へと変換することで、LHSサイクルの基盤を提供します。Oguztuezuenらの研究は、構造化されリンクされた臨床データが、薬剤の再利用、デバイス監視、疾患のサブフェノタイピングといった応用を支援できることを示しました。しかし、その有用性は、選択バイアスや母集団の不一致といったシステム的なデータ品質の問題によってしばしば損なわれ、一般化可能性を弱めます。これらの課題に対処するには、分析が始まる前に厳密なインフラ開発を行い、欠陥のあるデータが学習サイクルに入らないようにする品質保証メカニズムを確立する必要があります。エラーを防ぐだけでなく、データの品質は完全性にも依存します。Ongらは、188施設にわたる大規模なデータ品質の問題を特定し、約50万件のレコードにプレースホルダー識別子があることを発見しました。一方、Powersらは、データ連携によって35万件以上の未記録の死亡を回復できることを示しました。これらの研究は、日常的な医療データの完全性を向上させる上で、データインフラと統合が重要であることを示しています。言語技術の進歩もデータの利用可能性を高める可能性があります。Chenらは、高スループットの表現型解析を支援するための生体医用自然言語処理（NLP）における大規模言語モデル（LLM）のベンチマークを確立しました。また、Alkhalafらは、検索拡張生成が断片化された経時的記録を、利用可能な臨床物語として要約できることを示しました。これらの進歩にもかかわらず、基礎となるデータの完全性と公平性にはギャップが残っています。Suda-KingらとIottらが示すように、社会的健康の決定要因は依然として十分に文書化されておらず、Orrallは、特定のプロトコルがなければ熱中症の記録が欠如していることを強調しました。これらの欠陥は、脆弱な集団を保護することを目的とした監視システムを制限し、文書化のギャップが重要な公平性の結果へとつながります。これらの研究は、RWEを生成し統合するための計算フレームワークが利用可能になりつつある一方で、公平な学習は、基礎となる臨床データや文脈データが、システムがサービスを提供しようとする集団を代表するのに十分なほど完全であるかどうかに依然として依存することを示唆しています。
包摂的なデータの重要性
包摂的なデータというテーマも、LHSの「パフォーマンスからデータへ」という側面に関連しています。これは、データがLHSに入力される際に、誰がデータ生成に参加し、同意し、データガバナンスがその代表性をどのように形成するかを重視しています。レビューされた研究全体を通じて、包摂性は一度きりの募集行為ではなく、学習に用いられるデータが、システムがサービスを提供しようとする集団を適切に反映するかどうかに直接影響を与えるプロセスとして浮上しています。Zondagらの研究は、電子インフォームド・コンセントが、従来の方式と比較して、対象集団をより代表する研究集団を募集できることを示しました。彼らの発見は、募集プロセスの設計が、データパイプラインに誰が参加するかを決定する上で重要な役割を果たすことを示唆しています。特に、デジタルリテラシー、言語アクセス、技術の利用可能性といった要素は、参加に影響を与える可能性があり、LHS内での代表性を高めるために考慮される必要があります。包摂性は、データの収集後にどのように管理され、利用されるかによっても形成されます。Payneらは、医療におけるAIのための包摂的で適応可能な行動規範を提唱し、AIシステムのライフサイクル全体における透明性、説明責任、バイアス軽減の重要性を強調しています。包摂的なデータの文脈において、この視点は、代表性が収集時点だけで確保されるのではなく、データが公平性を維持し、公平な意思決定を支援する方法で利用されるかどうかに依存することを浮き彫りにしています。これらの研究は、LHSにおける包摂的なデータが、データ生成に誰が参加できるか、そしてそのデータがどのように管理、評価、実用化されるかの両方に依存することを示しています。この研究では、元の240報のうち包摂的なデータの問題に取り組んだ論文は2報のみでしたが、これはLHSサイクルにおいて、包摂的な知識と意思決定支援につながる重要な部分であると筆者らは考えています。追加の論文が少ないことは、ワーキンググループによる非体系的なレビュープロセスの結果、あるいはデータが本質的に包摂的であるという一般的な信念の現れかもしれません。後者の状況は、今後のLHS開発研究にとって重要な探求分野を示唆しています。
自然言語処理（NLP）による非構造化データの活用
同様に、非構造化された臨床情報を構造化データに変換することは、学習サイクルの「パフォーマンスからデータへ」という側面を支援し、曖昧な情報を捕捉することで影響力を増しています。これは特に精神保健研究で顕著です。Guらは、臨床ノートから社会的・行動的健康の決定要因を抽出するためのLLM（大規模言語モデル）を活用したSBDH-Readerを開発し、自由記述テキストに埋もれた社会的文脈を発見しました。Patraらは、孤独感、感情的支援、社会的孤立といった微妙な社会的構成要素に関して、精神科ノートではルールベースのアプローチがLLMを上回るパフォーマンスを示したことを見出しました。Caiらは、自己修正型の型検証コンポーネントを組み込んだ中国語の精神保健テキスト向け統合情報抽出システムを提案し、継続的な改善を可能にしました。Zolnooriらは、構造化された電子カルテデータとともに、非構造化された対象者と看護専門職の口頭でのコミュニケーションが認知機能低下の予測シグナルを伝えることを示し、学習サイクルの範囲をさらに広げ、構造化された文書だけでは十分に表現されない懸念を明らかにすることに貢献しています。これらの研究は、NLPが学習に利用可能な情報の範囲を広げる一方で、非構造化された臨床経験が構造化データに変換される際に、手法の選択と評価が重要であるという考えを裏付けています。
AIモデルの訓練とテストにおける公平性
さらに、「パフォーマンスからデータへ」の経路を下流に進むと、臨床データはAIモデルを通じて継続的にケアを形成します。これらのモデルは、新たなバイアスを回避し、ハルシネーションを排除し、透明性のある推論を提供するために、公平性と信頼性を確保するように設計および評価される必要があります。これらの課題に取り組む進歩は以下の通りです。データバイアスの軽減には、集計された指標を超えるアプローチが必要です。Siらは、全国的な運動・栄養調査データを用いた集計指標の限界を実証し、不均衡な結果を無視するモデルが、少数派集団では精度-再現率が著しく低下する可能性があることを明らかにしました。研究者たちは、AIのハルシネーションを排除し、基礎モデルと知識グラウンディングによる説明可能性を確保することに取り組んでいます。McDuffらは、診断推論のためのLLMであるAMIEを開発しました。これは、明示的で監査可能な推論連鎖を生成し、専門家がその論理を検証できるようにします。モデルを医学的真理にさらに固定するため、Wangらは希少疾患の標準化された語彙（Human Phenotype OntologyまたはHPO）を用いてLLMをファインチューニングしました。Remyらは、LLM表現と臨床知識グラフを融合するBioLORDを提案しました。Patricoski-Chavezらは、単一モダリティモデルでは体系的に見落とされるグリオーマ再発リスクを捕捉するために、ゲノムデータと臨床データを統合する深層学習分類器LUNARを設計しましたが、これは構造的な説明可能性も提供します。これらの取り組みは、AIが不確実な推測を生成する段階から、検証可能な事実に基づいて信頼性高く推論する段階へと移行し、深層学習のブラックボックスを打ち破ります。
公平性を重視した意思決定支援
臨床意思決定支援システム（CDSS）はLHSの主要なコンポーネントであり、データから導き出された知識が臨床パフォーマンスを支援する場所です。最近のCDSSに関する文献では、急性期医療における新たなAIアプリケーションについても記述されており、臨床状態の悪化をリアルタイムで予測する深層学習や、KTASベースのトリアージおよび治療計画のためのマルチエージェントLLMシステムなどが含まれます。同時に、Tangらの研究（加重臨床専門職の採用率が34.2%に過ぎないことを示すメタ分析）やDerksenらの研究は、CDSSの価値が依然として文脈に大きく依存しており、その実装がワークフローへの適合性、認識される有用性、臨床専門職の信頼によって形成されることを示唆しています。これらの研究は、意思決定支援が本質的にバイアスがないと示唆するのではなく、CDSSがより公平なケアを支援する可能性のある条件を指摘しています。Schulerらは、臨床的意思決定が、対象者の特性、臨床専門職の専門知識、組織的制約、社会的健康の決定要因によって形成されることを強調していますが、これらは現在のシステムでは十分に表現されていないことがよくあります。さらに、Funerらは、共有意思決定を支援するために、臨床専門職と対象者の相互作用、透明性、コミュニケーションを再構築することの重要性を強調しました。この分野の評価研究は、シミュレーション研究、実装研究、および投薬レビュー支援、社会的ニーズ特定ワークフロー、オピオイド使用障害のAIベーススクリーニング、重症高コレステロール血症のためのCDSSを含む臨床評価に及びます。これらの文献は総じて、CDSSが、技術的性能が文脈への感度、ワークフローとの整合性、および臨床専門職と対象者のコミュニケーションへの配慮と組み合わされた場合に、より公平な意思決定を支援する可能性があることを示唆しています。
データ利用における信頼と正義
繰り返される洞察は、医療におけるAIの技術的能力が、それらを公正かつ信頼に足る方法で展開するために必要な倫理的インフラを上回っているということです。含まれる論文は、透明性とガバナンスにおけるギャップが、最終的に「知識からパフォーマンスへ」に必要とされるAI展開への信頼を妨げていることを示しています。バイアスのあるデータが学習サイクルに入り込むと、誤った自信と信頼性の低い出力につながる可能性があります。Savageらは、LLMが質問と回答のペアの不確実性を評価するよう求められたときに、一貫して過度に自信を持っていたことを発見しました。Tikhomirovらは、AIモデルの相関的推論と臨床的文脈に基づいた専門家の推論との間にギャップがあることを特定し、不確実性は正確に推定され、伝達されなければならないと主張しました。既存の研究は、医療における人工知能の利用が、対象者と専門家の双方にとって信頼できない結果を生み出す可能性があることを示しています。Smallらは、AIが作成した対象者向けメッセージが、専門家が作成した回答よりも読みにくいことを発見し、健康リテラシーや英語リテラシーが限られた対象者にとって公平性の懸念を生じさせています。Xieらは、プライバシーと情報の整合性に関連する自動SDoH（社会的健康の決定要因）抽出に関する専門家と対象者の懸念を発見しました。対象者は、透明性、自律性、潜在的な危害に関する懸念を指摘しました。構造レベルでは、Jacksonらが二次臨床データ利用に関するガバナンスの空白を記録し、Mennellaらが断片的な規制枠組みが責任あるAI展開へのシステム的な障壁となっていることを特定しました。ApathyらとAbdulazeemらは、AI文書化ツールが労働を排除するのではなく再構成することを示していますが、これは専門家や彼らがサービスを提供する対象者集団の間で不均一な利益をもたらします。LHS内で信頼できる公正なデータ実践を構築するには、データから学習しながら、そのデータが代表する人々を包摂し、保護し、力づけるシステムが必要です。
インフラとしての医療公平性
医療公平性は、相互作用する社会生態学的影響によって形成される多レベルの現象ですが、社会的および組織的ニーズの影響にはより多くの注意が必要です。LHSフレームワーク内では、公平性を重視した意思決定支援が直接「知識からパフォーマンスへ」に影響を与えるため、主要な目標はシステム的な医療公平性を促進することです。KimとBackonjaは、社会生態学的モデルを用いてデジタルヘルス公平性フレームワークをレビューし、フレームワークがアクセス、デジタルリテラシー、エンゲージメントといった個人レベルの決定要因に不均衡に焦点を当て、構造的要因が起源となるコミュニティや社会レベルを軽視していることを発見しました。Fristらは、すべての社会生態学的レベルにわたる気候・健康・公平性の関連性を調査し、個人のリスクが環境曝露、コミュニティの状況、政策条件によってどのように形成されるかを示しました。Schmitらは、アメリカンインディアンおよびアラスカ先住民コミュニティに影響を与えるデータ共有の倫理に関する懸念をさらに提起し、社会レベルのガバナンス問題が下流のデータ利用と信頼にも影響を与える可能性があることを示唆しています。共通の情報システムと日常的なデータ実践も、構造的なバイアスの原因が対処されない場合、格差を再現する可能性があります。Lamらは、住所で定義されたコミュニティに属する公衆衛生記録を特定するためのGISベースの方法を記述しました。彼らの結果は、従来の公衆衛生識別子が一部の記録を不完全にしか捕捉していない可能性があり、住所ベースのGIS方法が公衆衛生データへのより公平なアクセスを支援できる可能性を提起しています。Acitores Cortinaらは、「完全なデータ」のために電子カルテデータを体系的にフィルタリングすると、モデルが訓練される前に人種的および民族的代表性バイアスを導入する可能性があることを明らかにしました。同様に、Zolnooriらは、在宅医療における黒人および白人対象者の口頭コミュニケーションにおける自動音声認識性能の差を発見し、広く適用可能とされるシステムでも、集団間で不均一な性能を示す可能性があることを示唆しています。これらの研究はまとめて、医療公平性が技術へのアクセスだけでなく、情報システムがさまざまな文脈にわたる人々をどのように分類し、フィルタリングし、表現し、応答するかによっても形成されるという考えを支持しています。
公平なアクセス
公平なアクセスとは、個人が自身のニーズ、文脈、好みに対応した方法で、医療に有意義に参加できるかどうかに関するものです。LHSに関して言えば、公平なアクセスは、より代表的なデータに反映される公平なケアのパフォーマンスをもたらすことが期待されます（すなわち、「パフォーマンスからデータへ」）。このレビューでは、公平なアクセスの例が女性の健康と地方のケア環境で最も明確に浮上しました。女性の健康分野では、いくつかの研究が、デジタルツールがパーソナライズされ、信頼性があり、変化する情報ニーズに対応できる場合に、より有用である可能性を示唆しました。女性の健康における個人生成健康データ技術の範囲レビューでは、妊娠やがんのような文脈で使用されるツールは、パーソナライズ可能で信頼できると認識された場合に許容度が高く、データが不正確と見なされた場合には有用性が限定されることが示されました。女性の生殖に関する過程を調査した他の2つの研究でも、情報ニーズが妊娠の段階や個人の状況によって異なると同様に示され、よりオーダーメイドな支援の必要性が示唆されました。地方の環境では、レビューされた研究は、情報システムが規模に合わせて設計されつつ、地域の文脈に注意を払う場合にアクセスが強化されることを強調しました。中国における大規模な子宮頸がんスクリーニングプログラムでは、AIおよびクラウドベースの診断システムを用いて、迅速かつ低コストで地方集団に高い参加率でサービスを提供しました。同様に、インドにおけるAIベースの乳がんスクリーニングツールの実世界評価では、文化的に敏感であると記述された実装において、検出率の向上と診断間隔の短縮が報告されました。上記の研究は、公平なアクセスがデジタルツールの利用可能性だけでなく、それがサービスを提供することを意図した集団の生活、文化、地理的文脈に適合するように設計されているかどうかに依存することを強調しています。
学習の好循環を築く：インフォマティクスの役割と課題
2025年AMIA年間レビューの統合から得られた中心的な洞察は、LHSが、生体医用情報学における多様な進歩が、データを学習し、その学習を改善された、より公平なケアへと変換するという共通の目標に向かってどのように収束するかを理解するための、一貫したフレームワークを提供するということです。個々の技術的課題に取り組んだ研究も、データの表現方法、知識がケアでどのように解釈・適用されるか、ケアの結果が将来の学習にどのようにフィードバックされるかといった、学習サイクルの連結された機能に収束しました。この相互依存性は、情報学の介入が個々の領域内だけでなく、LHS全体への影響という観点からも評価されるべきであることを示唆しています。このシステムレベルの視点は、構造的条件が適切に対処されない場合、デジタルおよびデータ駆動型介入がバイアスを再現または増幅する可能性があることを示す広範な情報学文献と一致しています。Veinotらはこのリスクを「介入によって生じる不平等」と説明しています。後の研究では、相互接続された、公平性を重視した生体医用情報学へのアプローチを通じてこの懸念が拡大されました。本研究の統合は、この懸念が単一の指針や行動喚起への応答としてではなく、単一年における9つの領域にわたる56の研究全体で一貫して現れたパターンとして、生体医用情報学の幅広い分野でいかに頻繁にこの懸念が浮上したかという証拠を提供します。LHSフレームワークを通じて見ると、この収束は、本レビューで特定されたテーマが、バイアスを改善するか、あるいは強化するか（すなわち、好循環になるか、悪循環になるか）の学習サイクルを形成することを示唆しています。このサイクルは、ある段階での改善が次の段階を強化するときに好循環になります。つまり、より包摂的なデータは、より代表的なエビデンスを支援し、より良いエビデンスは、より信頼性が高く公平なモデルを支援し、より適切に調整されたツールは、より適切なケアを支援し、それが今度はシステムがサービスを提供することを意図した集団をよりよく反映するデータを生成するというものです。この枠組みは、なぜ孤立した技術的進歩だけでは不十分なのかを明確にします。モデルは、非代表的なデータで訓練された場合、全体としては良好な性能を示す一方で、格差を悪化させる可能性があります。意思決定支援ツールは、技術的な可能性を示すかもしれませんが、臨床ワークフローに適合しなければ実際には失敗する可能性があります。また、データ収集の拡大は、信頼、ガバナンス、社会的文脈が無視されれば、参加を改善するどころか減少させる可能性があります。この枠組みにおいては、生成AIや大規模言語モデルのような技術は、その価値が単独のツールとしての性能だけでなく、学習プロセス全体の整合性と公平性を強化するかどうかに依存する、実現可能にするコンポーネントとして理解されるべきです。したがって、情報学の介入は、単独の技術的成果物としてだけでなく、その影響が複数の段階にわたって伝播する学習システムの変化として理解・評価されるべきです。
公平性が基盤的特性として浮上
この統合の重要な発見は、公平性がLHSの単なる望ましい結果ではなく、システムが確実に学習できるための根本的な条件であるということです。情報学の観点から見ると、代表性のギャップ、データ品質、文書化、アクセスにおける欠陥は、分析パイプラインを通じて体系的なバイアスを導入し、最終的に臨床意思決定を形成します。したがって、公平性は科学的妥当性の問題とは無関係ではなく、システムが生成する知識が信頼性があり、一般化可能であり、実際に有用であるかどうかを直接決定します。この統合に含まれる研究は、この点を具体的に示しています。社会的健康の決定要因や環境暴露といった臨床的および社会的に重要な要因が構造化データで捕捉されない場合、分析方法がいかに洗練されていても、測定のギャップは学習のギャップになります。逆に、情報システムがこれらのギャップに対処するように設計されている場合、中心的な課題は、技術的な実現可能性から、ソリューションが異なる集団や環境で公平に実装できることを確実にすることへと移行します。単一年において複数の領域で観察されたこのパターンは、公平性に関連する失敗が、情報学システムが技術的に意図通りに機能するかどうかだけでなく、その目的に適合するかどうかのテストとして機能しているという考えに重みを与えます。したがって、情報学にとっての中心的な課題は、コンポーネントレベルでの進歩が、学習サイクル全体の整合性を意図せず損なわないようにすることです。代表性、監督、または実装における不平等が対処されない場合、それらは段階を越えて複合し、バイアスのある入力がバイアスのある出力を生み出し、それが将来のデータ収集を形成することになります。このパターンを断ち切るには、モデル開発の時点だけでなく、学習サイクル全体を通じて、包摂的なデータ実践、説明責任のあるガバナンス、および実際の臨床的・コミュニティの文脈に対応した実装戦略への継続的な注意が必要です。
臨床・生体医用情報学への示唆と限界
これらの発見は、臨床・生体医用情報学にいくつかの示唆をもたらします。まず、情報学の介入は、技術的性能だけでなく、公平な医療アクセスと学習プロセスへの公平な参加を支援するかどうかによっても評価されるべきです。実際には、これはデータが十分に完全で代表的であるか、モデルがグループ間で適切に一般化されるか、不確実性が明確に伝達されるか、意思決定支援が臨床ワークフローに適合するか、そして最終的な利益が最も影響を受ける集団にとってアクセス可能であるかを検証することを意味します。本レビューで取り上げられた文献は、このより広範なアプローチを支持しています。データの出所と完全性が代表性に影響を与え、不確実性の伝達がAIの信頼性にとって重要であり、ワークフロー統合が臨床意思決定支援の有効性を形成し、成熟したLHS実装が時間の経過に伴うフィードバックの重要性を強調しました。これらの示唆は、情報学の介入が、参加、文脈、および実装が適切に対処されない場合、既存の不平等を再現する可能性があることを示すAMIAの過去の研究と一致しており、上流で、公平性を重視し、交差性にも注意を払う情報学研究と実践へのその後の呼びかけとも合致しています。したがって、臨床・生体医用情報学の貢献は、システムが性能だけでなく、臨床、公衆衛生、コミュニティ環境全体での公平なアクセス、有意義な利用、そして継続的な学習を支援するように設計および評価されるときに最も強力になります。特定の集団や探求分野の研究がすべての関連集団を平等に代表すると主張することはできませんが、不平等を招く体系的なバイアスを排除する努力は、科学的妥当性が主張される基盤を形成します。研究の限界:本研究は、AMIA年間レビュープロセスを通じて特定された厳選された研究に基づいています。このプロセスは、各ワーキンググループによって実施される複数のプロセスから成り、一部は他のものよりも厳密ですが、いずれも公式には体系的でも範囲を定めるものでもありません。ワーキンググループのボランティアは、指定された日付範囲（2024年8月1日から2025年7月31日まで）の出版物を自由に選択できました。YIRチームはガイダンスを提供しましたが、結果は異質でした。YIRを目的とした結果は、生体医用情報学文献の包括的なレビューではなく、特定の生体医用情報学のサブ分野への最近の重要な貢献と見なされる一連の論文（一部は個人の意見、一部はコンセンサスによる）を表しています。YIRチームによるさらなるフィルタリングは、ドメイン専門知識と同様に、プレゼンテーションスキルと潜在的なエンゲージメント価値に基づいて行われました。網羅的なカバレッジを目指すのではなく、本稿は、ドメイン専門家によって推薦され、共通の概念的レンズを通じて解釈された論文のテーマ別統合を反映しています。テーマ別フレームワークは帰納的に開発され、多様な領域にわたる洞察の統合を表しており、この特定の研究選択でより顕著なパターンを強調する可能性があります。さらに、分析は単一年の出版物に焦点を当てているため、長期的な傾向や、特定の情報学介入と公平性結果との因果関係を捕捉していません。したがって、調査結果は、効果の確定的経験的推定値や一般化可能性ではなく、パターン、つながり、および示唆を強調する概念的統合として解釈されるべきです。それにもかかわらず、情報学と医療公平性の交差点を検証し、体系的なバイアスが導入される可能性のある領域を特定するだけでなく、そのバイアスを減らし、より広範な社会的バイアスも減らすために情報学をどのように適用できるかに関心があることが、議論の余地なく示されています。
まとめ：公平な学習システムへ
現代の生体医用情報学は、データ、知識、ケアを、厳密かつ公平な学習プロセスへと組織化するという課題によってますます形成されています。2025年AMIA年間レビューに含まれる研究は、LHSが、多様な領域にわたる進歩がこの目標にどのように貢献するかを理解するための有用なフレームワークを提供することを示唆しました。このプロセスを通じて、本研究の統合は、情報学の幅広い分野にわたる個々のテーマが、日常的なケアのデータがどのようにエビデンスになり、そのエビデンスが（AIを含む）意思決定支援にどのように情報を提供し、そして結果として得られるケアが将来の学習に用いられるデータをどのように形成するかをたどる学習サイクルへと収束することを発見しました。このフレームワーク内では、公平性は二次的な目標としてではなく、データに誰が代表されるか、臨床的および社会的現実がどのように捕捉されるか、知識がどのように生成および適用されるか、そして誰がイノベーションから利益を得られるかに影響を与える条件として浮上しました。レビューされた論文は、実世界データにおける体系的なバイアスがどのようにバイアスのある知識につながるか、バイアスのある知識が意思決定支援の性能にどのように影響するか、そして意思決定支援におけるバイアスを減らす努力がより公平な意思決定とケアを促進し、それが時間の経過とともに、後続の学習サイクルに供給されるデータにおけるバイアスを軽減する可能性があることを示しています。情報学は、データの完全性と出所における改善、ワークフローと実装への注意、不確実性のより透明な伝達、そして臨床、公衆衛生、コミュニティ環境をリンクするインフラを通じて、これらの各段階で重要な役割を果たします。これらの観察は、不平等の根底にある構造的要因を解決するものではありませんが、LHSをこれらの懸念により対応させるための実用的な設計と評価の選択肢を指摘しています。包摂的な参加、説明責任のあるガバナンス、文脈を考慮したエビデンス生成、公平なモデル開発、そして人間中心の実装が連携するとき、LHSは、より公平なデータ、モデル、ケアが時間とともに互いを強化する好循環として機能します。このような連携がなければ、同じシステムが、データ生成と利用の連続するサイクルを通じて既存の格差を強化する可能性があります。これらの限界内で、重要な示唆は、生体医用情報学の介入の価値は、技術的性能だけではなく、それが提供することを意図した集団にとって、包摂的で、文脈を意識し、説明責任のある学習サイクルを構築するのに役立つかどうかによっても判断されるべきであるということです。したがって、生体医用情報学の進歩は、データが収集され、モデルが開発・評価され、システムが実装・ガバナンスされる方法に公平性が組み込まれた学習システムを設計・研究することにかかっており、これにより性能の向上が、時間の経過とともに、より妥当で公平な学習を伴うことになります。
用語集
- 学習型医療システム: データを知識に変え、知識を行動に移すことで、継続的な医療改善を目指すシステム。
- 生体医用情報学: 医療・生物学分野の情報を収集、管理、分析し、知識発見や意思決定を支援する学問分野。
- 医療格差: 誰もが最適な健康を達成するための公正で公平な機会を持つ状態。
- 実世界エビデンス: 日常的な医療環境で収集されたデータから得られるエビデンス。
- 自然言語処理: 人間の言語をコンピュータで処理・分析する技術。
- 大規模言語モデル: 大量のテキストデータで訓練された、人間のようなテキストを生成・理解するAIモデル。
- ハルシネーション: AIモデルが事実に基づかない、誤った情報を生成する現象。
- 臨床意思決定支援システム: 医療専門家の意思決定を支援するために、関連情報や推奨を提供するシステム。
- 社会的健康の決定要因: 人々の健康状態に影響を与える社会的・経済的・環境的な要因。
- 包摂的: すべての人が参加し、恩恵を受けられるようにすること。
Leave a Reply