AIが変えるmRNAワクチン安全性監視：リアルワールドデータ活用の最前線

9月 10, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Machine learning-assisted mRNA vaccine pharmacovigilance: a systematic review of multi-source real-world data
BMC Medical Informatics and Decision Making｜被引用数: 0（2026年9月10日時点）

COVID-19パンデミックにより、mRNAワクチンの安全性監視（ファーマコビジランス）は前例のない課題に直面しました。従来の受動的監視システムでは、報告の遅れや過少報告が問題となり、迅速なリスク評価が困難でした。しかし、人工知能（AI）と機械学習（ML）の進化は、これらの課題を克服し、多岐にわたるリアルワールドデータを統合することで、より能動的かつインテリジェントな監視システムを構築する可能性を秘めています。本記事では、この革新的なアプローチがどのようにmRNAワクチンの安全性を守り、公衆衛生に貢献するかを探ります。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の多様なリアルワールドデータを統合し、機械学習アルゴリズムを適用することで、従来のファーマコビジランスの課題を克服する実現性があります。
Ethical倫理面	データプライバシーと公平性の確保が不可欠であり、モデルのバイアスを軽減し、特定の対象者グループにおける健康格差を防ぐ必要があります。
Interesting面白さ	受動的から能動的・インテリジェントなファーマコビジランスへの転換は、公衆衛生の保護において革新的なアプローチを提供します。
Novel新規性	多様なリアルワールドデータを統合した機械学習によるmRNAワクチンファーマコビジランスは、これまでの受動的監視システムでは困難だった早期シグナル検出と精密なリスク層別化を可能にする新しいアプローチです。
Relevant切実さ	COVID-19パンデミックで重要性が増したmRNAワクチンの安全性を、より迅速かつ正確に監視することは、公衆衛生と医療システムにとって極めて重要です。
Measurable測定可能性	有害事象予測におけるAUCや、NLPによる重複シグナル削減率など、モデル性能を定量的に評価できる指標が利用されています。
Modifiable派生・改善	データ統合フレームワークの改善、説明可能なAIの導入、連合学習の適用を通じて、システムの欠点に対処し、継続的に改良する余地があります。
Structured文章構造	体系的レビューとして、MLタスク、アルゴリズム、データソース、評価指標ごとに結果を整理し、ナラティブシンセシスで構造化された形で分析しています。
PICO / PECO対象・介入・比較・結果	P: mRNAワクチン接種者、I: 機械学習を用いたマルチソースリアルワールドデータ統合によるファーマコビジランス、C: 従来の受動的ファーマコビジランス、O: 有害事象の早期検出と精密なリスク層別化、効率性向上。

パンデミックが浮き彫りにした課題とAIの台頭

どうも、Beyond the Pixelです。COVID-19パンデミック中のmRNAワクチンの急速な展開は、従来のファーマコビジランス（医薬品安全性監視）システムの限界を露呈しました。報告の遅れ、高い過少報告率、そして真の発生率を計算できないといった課題は、公衆衛生を守る上で大きな障壁となりました。しかし、この課題に対し、機械学習（ML）がリアルワールドデータ（RWD）の統合を通じて新たな道を開いています。

従来の医薬品安全性監視システムは、主に医療専門家やワクチン接種者からの自発的な報告に依存する受動的なシステム（例えば、米国のVAERSやEUのEudraVigilanceなど）でした。これらのシステムには、報告の遅延や、90%を超える過少報告率という本質的な限界があります。特にmRNAワクチンの大規模接種においては、短期間で数千万人が接種を受けるため、まれながらも深刻な有害事象（例えば、心筋炎や心膜炎など）のシグナルをタイムリーに捉え、リスク警告や公衆衛生上の意思決定に活かすことが困難でした。

このような背景から、人工知能（AI）と機械学習（ML）技術の台頭は、ファーマコビジランスの伝統的な課題を克服する新しい技術的な道筋を提供しています。医療分野で最も関連性の高いAIのサブフィールドとして、機械学習は複雑なリアルワールドデータを分析する上で独自の利点を示します。電子健康記録（EHRs）、ワクチン有害事象報告システム、ウェアラブルデバイス、ソーシャルメディアなど、多様で異質なデータソースを統合することで、MLは早期のシグナル検出と正確なリスク層別化を促進できるのです。この研究では、mRNAワクチンの安全性監視における機械学習の臨床的成功と医療的価値について、マルチソースのリアルワールドデータを統合する観点から体系的にレビューしています。

研究方法と組み入れられた研究

この体系的レビューでは、データベースの創設から2026年6月までの英語文献を対象に、PubMed、Embase、Web of Scienceで検索を実施しました。2人のレビュー担当者が独立して記録をスクリーニングし、論文の選定を行いました。MLのタスク（シグナル検出、テキスト抽出、リスク予測、予後層別化）、アルゴリズム、データソース、および評価指標にかなりの異質性があったため、ナラティブシンセシス（物語的統合）を実施しました。バイアスのリスクは、修正QUADAS-2を用いて評価されました。

**Figure 1.** Fig. 1 PRISMA 2020 flow diagram for study selection and meta-analysis解説: この図は、体系的レビューにおいて、データベース検索から最終的な研究の組み入れまでの選定プロセスを示しています。PubMed、Embase、Web of Scienceからの初期記録数、重複を除いた数、除外された記事の理由、そして最終的に定性的分析に含まれた研究数が段階的に示されています。

最終的に43の研究が特定されました。評価の質の観点から見ると、ほとんどの研究はバイアスリスクが「低」または「不明」と評価されました。例えば、Eterafiらの研究[16]は、参照標準のドメインが不明でしたが、全体的なバイアスリスクは低とされました。

**Table 1.** Table 1 Quality assessment using QUADAS-2 Study Patient Selection解説: この表は、組み入れられた研究に対するQUADAS-2を用いた品質評価の結果を示しています。対象者選定、インデックス検査、参照標準、フローとタイミングの各ドメインにおけるバイアスのリスクが「低」「不明」「高」で評価され、全体的なバイアスリスクが示されています。

機械学習による安全性監視の成果

機械学習は、mRNAワクチンのファーマコビジランスにおいて、いくつかの重要な分野でその有用性を示しました。

有害事象予測

教師あり学習やアンサンブル学習の手法は、ワクチン接種後の有害事象予測に応用されています。XGBoostやRandomForestといったツリーベースのモデルは、COVID-19ワクチンの2回目接種後の局所的および全身反応の予測において、0.85〜0.87のAUC（曲線下面積）を報告しました。これらの推定値は多様な設定から得られたものです。予測性能はワクチンプラットフォームによって異なり、mRNAワクチンは中間的な予測可能性を示しました。

**Table 2.** Table 2 Characteristics of studies included in meta-analysis Study Year Algorithm Sample Size Data Source Outcome AUC (95% CI) Eterafi [16] 2025 XGBoost NR EHR+survey Local AEs 0.87 (0.85–0.89) Eterafi [16] 2025 Random Forest NR EHR+survey Any AEs 0.85 (0.83–0.87) Baritussio [21] 2022 Random Forest 187 EHR+biopsy Death/HTx 0.88 (0.84–0.92) Dong & Bate [18] 2024 Rul-based+ML NR VAERS Signal detection — Khera [20] 2021 XGBoost+NN 755,402 Registry Mortality 0.899 (0.897–0.901)**解説:** この表は、メタアナリシスに含まれた研究の特性をまとめたものです。各研究の発表年、使用されたアルゴリズム、サンプルサイズ、データソース、評価されたアウトカム、およびAUC（95%信頼区間）が示されています。

シグナル検出と自然言語処理（NLP）

自然言語処理（NLP）に基づく症状の自動認識は、ワクチン有害事象報告システムのシグナル管理プロセスを最適化できます。DongとBateの研究[18]では、NLP技術がCOVID-19ワクチン有害事象報告システムにおける重複シグナルを17%削減し、監視効率を向上させることが示されました。これは、症例処理を効率化することで、従来の不均衡分析を補強するものです。

心筋炎に対する応用

心筋炎については、MLモデルは心血管コホートにおいて最大0.899のAUCに達しましたが、mRNAワクチンへの直接的な適用は限定的かつレトロスペクティブ（過去のデータを遡って分析する研究）なものにとどまっています。現時点では、ワクチンに関連する心筋炎コホートでの直接的な検証は不足しています。

**Table 3.** Table 3 Pooled performance metrics by application domain Application Domain Studies (n) Pooled AUC/F1 95% CI τ² I² (%) Q p Supervised learning (Adverse event prediction) 1† 0.87 0.84–0.90 0.008 68.4 6.33 Ensemble/Deep-learning (Clinical outcomes) 2 0.89 0.87–0.91 0.003 45.2 1.82 0.177 Overall (AUC pooling only) 4‡ 0.88 0.86–0.90 0.006 58.7 7.27 0.064解説: この表は、適用ドメインごとのプールされた性能指標をまとめたものです。教師あり学習とアンサンブル/深層学習による臨床アウトカム予測、および全体的なAUCのプールされた値、95%信頼区間、異質性を示すI²などの統計が示されています。

新興プラットフォームの課題

自己増幅型mRNA（sa-mRNA）ワクチンや腫瘍mRNAワクチンといった新興プラットフォームは、市販後データが不足しており、MLの応用は概念的な段階にとどまっています。このレビューの感度分析では、特定の研究を除外しても主要なプールされたAUCはロバスト（頑健）であることが示されています。

**Table 4.** Table 4 Sensitivity analysis results Analysis Pooled AUC 95% CI I² (%) Interpreta tion Primary analysis (all 4 studies)**解説:** この表は、感度分析の結果を示しています。一次分析と比較して、特定の研究を一つずつ除外した場合のプールされたAUC、95%信頼区間、I²、および解釈が示されており、結果のロバスト性を示唆しています。

進化するmRNAワクチンと今後のファーマコビジランス

mRNAワクチンの技術は、感染症予防からがん治療へとその応用範囲を広げています。それに伴い、ファーマコビジランスの必要性も変化しています。

インフルエンザ・RSV mRNAワクチンの安全性

COVID-19での成功を受け、mRNAワクチン技術はインフルエンザやRSV（呼吸器合胞体ウイルス）などの感染症にも拡大しています。WHOの国際ファーマコビジランスデータベース（VigiBase）に基づく比較安全性分析では、mRNA COVID-19ワクチンとインフルエンザワクチンの安全性プロファイルに違いがあることが明らかになりました。mRNAワクチンは全身反応がより顕著である一方、インフルエンザワクチンは注射部位反応が一般的でした。全体的な重篤な有害事象のリスクは、mRNAワクチンの方が低いとされています。現在、mRNAインフルエンザワクチンは第III相臨床試験の段階にあり、高齢者や慢性疾患を持つ対象者の安全特性に焦点を当てたファーマコビジランス戦略が求められています。

自己増幅型mRNA（sa-mRNA）ワクチンのモニタリング

自己増幅型mRNA（sa-mRNA）技術は、自己複製メカニズムを通じてより少ない用量で強力かつ持続的な免疫応答を誘導できるため、次世代のワクチンプラットフォームとして注目されています。しかし、この強化された持続的な免疫応答は、ファーマコビジランスに新たな評価軸をもたらします。抗原の継続的な発現は有害事象の時間的分布特性を変える可能性があり、免疫不全の対象者における長期的な安全性への影響はまだ不明確です。従来のmRNAワクチンと比較して、sa-mRNAプラットフォームは遅延性の免疫応答を評価するためにより長い追跡期間を必要とし、抗ウイルス薬との潜在的な相互作用にも特別な注意が必要です。これらの課題には、機械学習を活用したリアルタイムの多源的異種データ統合分析を用いた、ターゲットを絞った動的モニタリング戦略の確立が不可欠です。

腫瘍mRNAワクチンの個別化された安全性監視

mRNA技術は、感染症予防の分野からがん治療へと拡大しています。パーソナライズされたネオアンチゲン（新しい抗原）ワクチンは、メラノーマや膵臓がんといった「冷たい」腫瘍に対してもT細胞免疫を動員し、再発を遅らせる効果が示されています。このような個別化された腫瘍mRNAワクチンの開発は、ファーマコビジランスに対しより高い要求を課します。がんmRNAワクチンは、免疫関連有害事象（irAEs）のユニークなパターン（例えば、チェックポイント阻害剤様反応、サイトカイン放出症候群、臓器特異的炎症など）の評価が必要です。将来的に、がんmRNAワクチンのファーマコビジランスは、ゲノムデータ、腫瘍微小環境特性、免疫マーカーを統合し、機械学習に基づく個別化されたリスク予測モデルを構築することに依存するでしょう。循環腫瘍DNA、末梢血単核細胞転写産物、画像特徴などを組み合わせたマルチモーダルデータ融合は、治療関連有害事象の早期警戒と精密管理を可能にします。

課題、限界、そして未来の展望

機械学習を用いたmRNAワクチンファーマコビジランスの大きな可能性にもかかわらず、その臨床応用には多くの課題が残されています。主な障害は、データ品質と標準化です。多様なリアルワールドデータは高い異質性、多くの欠損値、矛盾するコーディング基準を示すため、統一されたデータガバナンスフレームワークの確立が必要です。モデルの解釈可能性も臨床的受容性にとって重要です。いわゆる「ブラックボックス」モデルは専門家からの信頼を得るのに苦労するため、説明可能なAI（XAI）手法、特にSHAPやLIMEの適用が、MLの予測を臨床的に実用可能な知見に変換する上でますます重要になっています。

規制当局の承認も課題の一つです。現在、機械学習駆動型のファーマコビジランスシステムでFDAやEMAによって公式に承認されたものはありません。規制基準の早急な改善が求められています。さらに、公平性とバイアスの問題も見過ごせません。機械学習モデルは特定の対象者（例えば、少数民族グループや希少疾患を持つ対象者）において性能が低下し、健康格差につながる可能性があります。訓練データの代表性とモデル検証の広範性を確保することが、公平なファーマコビジランスを達成するための前提条件となります。

このレビューにはいくつかの限界があります。まず、ほとんどの組み入れられた研究はレトロスペクティブなデザインであり、大規模なプロスペクティブ（前向き）な検証が不足しているため、選択バイアスや交絡因子が導入される可能性があります。次に、適格な定量的研究の数が少なく、その方法論の多様性から統計的統合は行えず、記述的な結果にとどまっています。さらに、ほとんどの研究で外部検証が行われていないため、一般化可能性が不明確です。最後に、腫瘍mRNAワクチンやsa-mRNAワクチンの市販後監視データはまだ限られているため、これらの分野でのMLの応用は概念的なものです。

将来の研究は、マルチモーダルデータ融合と連合学習戦略の探求を優先すべきです。連合学習技術は、生データを共有することなく複数の機関間で協調的なモデル構築を可能にし、電子健康記録、ワクチン有害反応報告システム、ウェアラブルデバイスデータのプライバシー保護を伴う統合のための方法論的基盤を提供します。説明可能なAI（XAI）手法の導入は、SHAPやLIMEなどの技術を用いて予測に対する各特徴量の貢献度を定量化することで、機械学習モデルの「ブラックボックス」問題を打破し、専門家がモデルの意思決定に対する信頼と受容を高める可能性を秘めています。sa-mRNAワクチンや腫瘍mRNAワクチンなどの新興プラットフォームには、遅延性有害事象を捉えるための時系列分析や生存分析手法の開発、そして個別化ワクチンがもたらす課題に対処するための「小サンプル学習」や「転移学習」戦略の探求が不可欠です。ウイルス変異やワクチン処方変更などの動的な変化に直面しても、アルゴリズムの長期的な信頼性を確保するためには、モデル性能の継続的な監視と適応的な更新メカニズムの確立が不可欠です。

まとめ

機械学習を活用したmRNAワクチンファーマコビジランスは、受動的監視から能動的でインテリジェントな監視への深い転換を示しています。マルチソースのリアルワールドデータを統合することで、機械学習技術は、まれな有害事象の早期検出能力を高めるだけでなく、正確なリスク層別化を通じて臨床リソースの配分を最適化します。データ品質、モデルの解釈可能性、および規制当局の承認に関する課題があるものの、技術の進化と方法論の改善により、ワクチンに関するインテリジェントで精密なファーマコビジランスシステムは、公衆衛生を守るための不可欠なインフラとなるでしょう。将来的には、臨床医学、データサイエンス、規制科学といった分野横断的な協力が、この分野の進歩を推進する鍵となります。

用語集

ファーマコビジランス: 医薬品の副作用を監視・評価し、安全性に関する情報を収集する活動。
mRNAワクチン: 遺伝子情報を含むメッセンジャーRNAを利用して、体内で抗原タンパク質を生成させる新しいタイプのワクチン。
機械学習（ML）: 人工知能の一分野で、データからパターンを学習し、予測や意思決定を行う技術。
リアルワールドデータ（RWD）: 診療記録、レセプトデータ、ウェアラブルデバイス、SNSなど、実際の医療現場や生活環境から得られる多様なデータ。
自然言語処理（NLP）: 人間の自然言語をコンピュータで処理・解析する技術。
自己増幅型mRNAワクチン（sa-mRNA）: 複製能力を持つmRNAを利用し、体内でより多くの抗原タンパク質を生成させるワクチン。
腫瘍mRNAワクチン: がん細胞特有の抗原を標的とし、免疫反応を誘導してがんを治療する目的のmRNAワクチン。
AUC（曲線下面積）: 受信者操作特性曲線下面積。機械学習モデルの分類性能を評価する指標で、値が高いほど性能が良い。
過少報告: 医薬品の副作用が実際に発生した数よりも報告数が少ない状況。
シグナル検出: 医薬品の有害事象に関する新たな安全性の懸念を特定するプロセス。
リスク層別化: 対象者をリスクのレベルに応じて分類すること。
電子健康記録（EHRs）: 医療機関で電子的に管理される個人の健康情報や診療記録。
ウェアラブルデバイス: 身につけて使用する電子機器で、心拍数や活動量などの生体データを継続的に収集できる。
説明可能なAI（XAI）: AIモデルの判断根拠や挙動を人間が理解できるようにする技術。
SHAP: 機械学習モデルの各特徴量が予測にどの程度貢献したかを説明する手法。
LIME: 個々の予測について、その判断根拠を局所的に説明する手法。
連合学習: 複数の分散されたデータセットを用いて、データ共有なしに機械学習モデルを共同で訓練する技術。プライバシー保護に貢献する。
小サンプル学習: データが少ない状況でも効果的に学習する機械学習手法。
転移学習: あるタスクで学習した知識を別の関連するタスクに応用する機械学習手法。
プロスペクティブ研究: 未来に向けてデータを収集し、現象の発生を追跡する研究デザイン。
レトロスペクティブ研究: 過去のデータを用いて現象を分析する研究デザイン。
QUADAS-2: 診断精度研究のバイアスリスク評価ツール。本研究では機械学習研究に適用された。