臨床エージェント型研究インテリジェンスシステムのための、コーディング不要かつプライバシー保護MCPフレームワーク

要旨: 臨床研究には、研究デザイン、コホート構築、モデル開発、ドキュメンテーションといった労働集約的なプロセスが含まれます。これには、専門知識、プログラミングスキル、機微な患者データへのアクセスが必要です。これらの要求は、データ駆動型の研究を行う臨床医や外部研究者にとって障壁となっています。こうした制約を克服するために、データのプライバシーを保ちながら、元データに直接アクセスすることなく包括的な研究を可能にする、臨床エージェント型研究インテリジェンスシステム（CARIS）を開発しました。CARISは、Model Context Protocol（MCP）を介してモジュール型ツールと大規模言語モデル（LLM）を統合し、自然言語による適切なツールのオーケストレーションを実現します。データベースはMCPサーバ内に安全に保持され、ユーザは出力と最終的な研究レポートのみを利用します。ユーザの意図に基づき、CARISは研究計画、文献検索、コホート構築、施設内審査委員会（IRB）ドキュメンテーション、Vibe Machine Learning（ML）、レポート生成からなる一連のパイプラインを自動的に実行し、反復的に人が介入することで改良します。相異なる臨床タスクをそれぞれ含む3つの異種データセットでCARISを評価しました。研究計画とIRB文書は、文献とデータに基づくエビデンスを用い、3〜4回の反復で確定しました。システムは、特徴量とモデルの組み合わせを探索し、上位10モデルをランキングし、性能の可視化を生成することでVibe MLを支援しました。最終レポートは、TRIPOD+AIフレームワークから導出したチェックリストに基づく高い完全性を示し、LLM評価で96%、人手評価で82%のカバレッジを達成しました。CARISは、エージェント型AIが、異種データセット全体にわたって臨床の仮説を実行可能な研究ワークフローへと変換できることを示しています。コーディングや直接データアクセスの必要性をなくすことで、本システムは障壁を低減し、公的および私的な臨床データ環境を橋渡しします。