株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
製薬会社の文献サーベイをAIで効率化する方法｜PubMed等の大量論文をLLMで要約・分類・トレンド分析
製薬会社の研究開発・メディカルアフェアーズ部門において、文献サーベイ（系統的文献レビュー）は創薬ターゲットの探索、臨床試験の設計、承認申請の科学的根拠構築の基盤となる重要業務です。PubMed等のデータベースから数千〜数万件の論文を検索し、スクリーニング、要約、分類、トレンド分析を行う——この膨大な作業をLLMで効率化するアプローチが急速に普及しています。
業務の詳細フロー（現状の手作業）
ステップ1：検索戦略の設計
PICO/PECOフレームワーク（Patient, Intervention/Exposure, Comparison, Outcome）に基づき、文献検索の戦略を設計します。PubMed、Embase、Cochrane Library等の複数データベースに対する検索式（MeSHターム、キーワード、ブール演算子の組み合わせ）を作成します。
ステップ2：文献の検索・収集
設計した検索式で各データベースを検索し、候補文献を収集します。重複を除去した後でも数百〜数千件の候補が残ることが一般的です。
ステップ3：スクリーニング（選別）
収集した文献をタイトル・アブストラクトで一次スクリーニングし、次にフルテキストで二次スクリーニングを行います。選択基準・除外基準に基づいて関連論文を絞り込みます。この作業が最も時間を要するステップで、1件あたり数分の確認を数千件繰り返します。
ステップ4：データ抽出
選定された論文から必要なデータ（研究デザイン、対象患者、介入/曝露、アウトカム、主要結果、バイアスリスク）を抽出し、構造化されたデータ抽出表に記録します。
ステップ5：統合・分析・レポート作成
抽出したデータを統合し、ナラティブシンセシスまたはメタアナリシスを実施します。結果をテーブル、フォレストプロット等で可視化し、文献レビューレポートとしてまとめます。
課題・ペインポイント
- スクリーニングの膨大な工数：数千件のアブストラクトを1件ずつ確認する作業に数日〜数週間を要する
- 文献数の爆発的増加：PubMedには毎年膨大な数の新規論文が追加され続けており、網羅的な調査がますます困難に
- 多言語論文への対応：中国語、韓国語等の非英語論文も対象に含める必要がある場合、語学力の壁が障壁
- データ抽出の属人化：論文から抽出するデータの粒度や解釈が研究者により異なる
- 最新文献のキャッチアップ：一度サーベイを実施しても、新規論文の出版に合わせた継続的な更新が必要
AI化のアプローチ（LLMによる実装イメージ）
入力データの設計
- 検索結果：PubMed/Embase等からの検索結果（タイトル、アブストラクト、著者、ジャーナル、出版年）
- 選択基準・除外基準：PICO/PECOに基づくスクリーニング基準
- データ抽出テンプレート：抽出すべきデータ項目（研究デザイン、対象、介入、アウトカム等）の定義
- 過去のレビュー：同一テーマの過去の文献レビュー結果（RAGで参照）
処理パイプライン
- 検索式の自動生成：LLMが研究テーマの自然言語記述からPICO要素を抽出し、PubMed検索式（MeSHターム＋キーワード）を自動生成
- アブストラクトの自動スクリーニング：LLMが各論文のアブストラクトを選択基準・除外基準に照らして判定し、関連性スコアを算出。高スコアの論文のみ人間のレビューに回す（出典：JAMIA "GenAI for Systematic Literature Reviews"）
- データの自動抽出：LLMがフルテキスト（またはアブストラクト）から研究デザイン、対象患者数、主要結果、統計値等を自動抽出し、データ抽出表に記録
- 要約・分類の自動生成：LLMが各論文の要約を自動生成し、テーマ別・手法別に自動分類
- トレンド分析レポート：LLMが出版年・研究テーマ・結果の傾向を分析し、研究トレンドのレポートを自動生成
LLMへの指示（プロンプト設計の考え方）
- 役割設定：「あなたは製薬会社の研究者で、系統的文献レビューの専門家です。以下の論文アブストラクトを選択基準に照らしてスクリーニングしてください」
- スクリーニング基準：「以下のPICO基準で判定してください。P（対象）：XX疾患の成人患者、I（介入）：XX薬剤の投与、C（対照）：プラセボまたは標準治療、O（アウトカム）：主要評価項目XX。すべてを満たす場合は「Include」、1つでも満たさない場合は「Exclude」、判断が困難な場合は「Uncertain」として、判定理由を付記してください」
- データ抽出：「以下の論文から、①研究デザイン、②対象患者数、③投与群/対照群の設定、④主要評価項目の結果（効果量、p値、信頼区間）、⑤主な有害事象を抽出してください」
人間が判断すべきポイント
- 検索戦略の妥当性：AIが生成した検索式が研究テーマを適切にカバーしているかの確認は研究者が行う
- 「Uncertain」判定の最終決定：AIが判断に迷った論文の最終的なInclude/Exclude判定は人間が行う
- バイアスリスクの評価：各論文の研究デザインの質とバイアスリスクの評価は疫学の専門知識が必要
- 臨床的解釈：統合された結果の臨床的意義の解釈は医学の専門家が行う
他業種の類似事例
- 製造業の先行技術調査：特許DBの横断検索→LLM自動スクリーニング→要約・比較分析（本シリーズ参照）
- 法律事務所の判例調査：判例DBの検索→関連判例の要約→適用可能性の評価
- コンサルティングファームの市場調査：業界レポートの横断検索→LLM要約→市場分析レポート生成
導入ステップと注意点
ステップ1：スクリーニングの自動化から開始（4〜8週間）
まずアブストラクトレベルの自動スクリーニングからLLM活用を開始します。過去の文献レビューでのInclude/Excludeの判定結果を学習データとして活用します（出典：Nature "Accelerating Clinical Evidence Synthesis with LLMs"）。
ステップ2：データ抽出の自動化（4〜8週間）
選定された論文からのデータ自動抽出に範囲を拡大します。データ抽出テンプレートとプロンプトを設計し、抽出精度を検証します。
ステップ3：継続的更新の自動化（継続）
定期的にPubMedを自動検索し、新規論文をスクリーニング→既存レビューに追加する「リビングレビュー」の仕組みを構築します。
注意点
- スクリーニング精度の検証：AIが重要な論文を見落とす（フォルスネガティブ）リスクに対し、再現率（感度）を重点検証
- ハルシネーション対策：LLMが論文の結果を誤って要約するリスクに対し、原文との照合チェックが必須
- 規制対応：承認申請のための系統的文献レビューでは、PRISMA等のガイドラインへの準拠が求められ、AIの使用も方法論として記載する必要がある
Renue視点：専用ツールではなく汎用LLMで実現する理由
文献サーベイの「検索→スクリーニング→データ抽出→要約→レポート」の全工程は言語処理そのものです。Covidence、DistillerSR等の専用文献レビューツールも存在しますが、汎用LLMにPICO基準とデータ抽出テンプレートを指示すれば、同等のスクリーニング・抽出が可能です。特に「この論文のどこが選択基準を満たしているか」を説明する能力はLLMの強みであり、研究者のレビュー判断を直接支援します。
まとめ
製薬会社の文献サーベイは、検索式自動生成→アブストラクト自動スクリーニング→データ自動抽出→要約・分類→トレンド分析のパイプラインでLLMによる大幅な効率化が可能です。学術研究ではLLM支援の系統的文献レビューにおけるスクリーニング精度の向上が報告されています。ただし、検索戦略の妥当性確認、バイアスリスクの評価、臨床的解釈は完全に研究者・臨床医の専門性の領域です。