Skip to content
Affectosphere Group Kansai University, Keito Inoshita Laboratory
EN

Column

病院データを外に出さずにCRF入力を自動化できる ── ローカルLLMが実現するプライバシー保護型臨床試験支援

電子カルテの非構造化テキストから症例報告書（CRF）を自動記入するタスクで、MedGemma-27Bを使った完全ローカル2段階パイプラインが英語テストトラック2位のF1スコアを記録した。外部APIゼロ・院内完結という条件でここまでできるなら、製薬・CRO・病院の現場が今すぐ試す価値がある。

5 分で読める English version →
電子カルテの画面とローカルサーバーのイラスト。外部クラウドへの通信なしに院内でデータが完結処理されるイメージ

こんにちは。Affectosphere Group の井下です。

臨床試験のデータ管理担当者に話を聞くと、いまだに「CRF記入は手作業が中心」という現場がほとんどです。

電子カルテには患者の状態が書かれているのに、それを症例報告書（CRF）に転記するのは人間の目と手です。転記ミス、記入漏れ、確認コストの膨大さ——これは製薬会社でも医療機関でも長年の課題です。

「だったらAIに任せれば？」という話は何年も前からありました。でも、医療データをクラウドの外部APIに送るのは難しい。GDPRやHIPAA、国内の個人情報保護法の制約があるし、何よりスポンサー企業や倫理委員会が許さない。

この問題に正面から向き合った研究が、2026年6月にarXivで公開されました（Katharina Sommer, Tristan Till, Florian Matthes、arXiv:2606.13082）。

MedGemma-27Bを使った完全ローカルの2段階パイプラインで、外部APIを一切使わずにCRF記入タスクに取り組み、英語テストトラックで2位（マクロF1スコア0.55）を達成した研究です。

今日の3点

  1. 発見: 完全ローカル運用のLLMパイプラインが、外部APIなし・Few-shot学習のみでCRF記入タスクの競合水準性能を達成した。
  2. 仕組み: 「フィールドに情報があるか否かの2値分類 → 値の抽出」という2段階設計が、臨床情報の安全な自動抽出を可能にした。
  3. ビジネス応用: 製薬・CRO・病院が院内完結型のCRF自動入力システムを構築する際の、今すぐ参照できる設計モデルになる。

① そもそもCRF記入の何が問題か

CRF（Case Report Form、症例報告書）は、臨床試験で収集する患者データの標準化フォームです。

試験ごとに何十、何百という記入項目があります。患者ごとに、来院ごとに、これを電子カルテから拾い上げて転記する。このプロセスが、臨床試験運営のコストと時間の大きな部分を占めています。

問題は転記ミスだけではありません。電子カルテの記述は非構造化テキストです。「患者の状態は安定しているが、軽度の倦怠感を訴えている」という一文から、CRFの「有害事象の有無」「重症度」「転帰」を機械的に抽出するのは、それ自体が自然言語処理の難問です。

さらに、記入すべき情報が「ない（No）」「不明（Unknown）」「書かれていない（Not mentioned）」の3種類で意味が違う。たとえば「有害事象の記録がない」のは「有害事象がなかった」のか「記録し忘れた」のかで、意味が全然違います。CRFでこれを混同すると規制上の問題になります。

この研究が取り組んだのは、まさにこの難しさの全部です。

② 2段階パイプラインの設計

研究チームが構築したパイプラインは、2つのステージで動きます。

ステージ1は「フィールドに記入すべき情報があるか否かの2値分類」です。電子カルテのテキストを見て、「このCRFフィールドに記入できる情報が存在するか」だけを判断します。

ステージ2は「情報がある場合の値抽出」です。ステージ1で「情報あり」と判定されたフィールドについて、具体的な値を抽出します。

この2段階に分ける設計には理由があります。

CRF記入でよくある失敗は「何かを書こうとしすぎること」です。情報がないのに値を埋めようとして、あり得ない値や矛盾した値が入る。これが後のデータクリーニングで大問題になります。

ステージ1で「情報なし」と判定されたフィールドは記入しない、という明示的な制御をかけることで、この問題を構造的に回避しています。

また、否定・不確実・不明という状態をどう扱うかについて、決定論的な出力制約を設けています。「not mentioned」「unknown」「negative」を適切に区別して出力する制約で、CRFの記録品質を担保します。

モデルはMedGemma-27Bを使用し、追加の fine-tuning なし、Few-shot文脈内学習のみで動かしています。GPUも院内のものだけで完結します。

③ 外部APIゼロでここまでできる

この研究の最大の貢献は「プライバシー保護型オンプレLLMが競合水準の性能を出せる」という実証です。

従来、高い性能を出すにはOpenAIやGoogleのAPIを叩く必要がありました。でも医療データをそこに送るのは、法規制と倫理審査の観点から非常にハードルが高い。

MedGemma-27Bは医療テキストと医療画像で事前学習されたオープンウェイトモデルです。院内のサーバーにダウンロードして動かせます。外部への通信は一切不要です。

Few-shot学習とは、少数の例示（この場合は数件の入力・出力ペア）をプロンプトに含めることで、モデルを新しいタスクに適応させる手法です。追加訓練データの整備も、計算コストの高いfine-tuningも必要ありません。

結果として、英語テストトラックでマクロF1スコア0.55、2位という成績を達成しました。完璧な精度ではありませんが、「外部APIを使わずにここまでできる」という実証として、業界にとって重要な基準点になります。

④ 製薬・CRO・病院が今すぐ試せる応用シナリオ

ここからが本題です。この研究の知見を、現場でどう使えるか。

製薬企業・CROのデータマネジメントチーム向け

臨床試験のデータマネジメントチームが最もすぐに使えるのは、「電子カルテ → CRFドラフト自動生成」のパイロット実証です。

試験データのうち、患者のバイタルサイン・検査値・有害事象報告など、比較的定型的な記入フィールドから始めるのが現実的です。ステージ1でフィールドの情報有無を判定し、ステージ2で値を抽出するパイプラインを院内サーバーで動かす。

KPIは「ドラフト生成率（システムが自動記入を提案できた割合）」と「記入精度（提案が正しかった割合）」の2本立てで設計すると、現場への説明もしやすいです。

GDPR・HIPAA対応としては、データが院内から出ないことを文書化し、処理記録として残せる仕組みを整えます。このパイプラインはその設計要件を最初から満たしています。

病院の治験管理部門向け

学術医療センターや大学病院で自前の治験管理をしているケースでは、治験データの電子化・品質管理コスト削減が直接の価値になります。

記入漏れや転記ミスの検出、「Unknown / Not mentioned / Negative」の区別の自動化は、データクリーニングにかかる人的工数を大幅に減らせます。

特に、電子カルテシステムがHL7 FHIR準拠であれば、非構造化テキストの抽出前処理を標準化しやすく、パイプラインの導入障壁が下がります。

医療AIベンダーへの示唆

既存のCRF管理SaaSを提供しているベンダーにとっては、「オンプレ対応モジュール」の差別化オプションとして組み込める可能性があります。

クラウド版とオンプレ版の両方を提供する際、オンプレ版のAI補助機能の品質をクラウド版に近づけることが課題でしたが、この研究は「オープンウェイトモデルの院内運用でも競合水準の性能が出る」という根拠を与えます。

GDPRとHIPAAの観点から

この研究の設計は、データプライバシー規制の要件と整合しています。

GDPRでは、個人データの処理には目的の限定、データ最小化、第三者への提供制限が求められます。完全ローカルのパイプラインは、患者データを外部プロセッサに送らないという要件を構造的に満たします。

HIPAAの場合、PHI（保護対象医療情報）を外部APIに送ることはBA（Business Associate）契約の締結が必要です。ローカル運用はこの制約を回避します。

日本の個人情報保護法・次世代医療基盤法の文脈でも同様で、「要配慮個人情報としての診療情報」を院外に出さないという設計は、倫理審査への説明を大幅に簡略化します。

精度の限界と今後の課題

正直に書くと、マクロF1スコア0.55はまだ高い数値ではありません。

2位という順位は評価できますが、実際の臨床運用で「AIが出したドラフトをそのまま提出できる」レベルには至っていません。現段階では「人間のデータマネージャーがAIドラフトを確認・修正する半自動化」が現実的なポジションです。

この研究が解いていない課題もあります。多言語対応（日本語電子カルテへの適用）、複数Visit間をまたぐ文脈の追跡、CRF項目ごとの精度の不均一さ——こうした実運用上の問題は、今後の研究と実装努力が必要です。

ただ、「Few-shot学習のみ・fine-tuningなし・外部APIなし」という厳しい条件でこの水準を達成したという事実は、プライバシー保護型医療AI支援の実用化に向けた重要な一歩です。

では！

参考論文

  1. Katharina Sommer, Tristan Till, Florian Matthes (2026). sebis at CRF Filling 2026: A Two-Stage Local LLM Pipeline for Medical CRF Filling. arXiv preprint arXiv:2606.13082.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。