RBQM シグナル検出のAI自動化｜KRI・QTL・中央統計モニタリング・ML異常検知・ICH E6(R3) 対応の実装ガイド

KRI（Key Risk Indicator、サイトパフォーマンスのしきい値監視）、QTL（Quality Tolerance Limits、試験全体のシステムリスク）、CSM（Central Statistical Monitoring、サイト間統計異常）、Targeted Review（特定イベントのルール + 人手レビュー）の 4 層です。CluePoints の 281 試験分析では KRI/QTL が 58%、統計モニタリングが 42% のシグナルを検出しています。AI は CSM と Targeted の差別化に集中します。

Isolation Forest（多変量）、Autoencoder（再構成誤差）、Clustering + Mahalanobis Distance、Deep Learning（長時系列）が代表的です。CluePoints は統計的手法（Shewhart、CUSUM、EWMA、Benford 分布、Digit Preference）と ML を組み合わせています。Deep Learning 単独では説明性不足で CRA が納得しないため、SHAP/LIME で特徴量寄与を併記する設計が実務的です。

（1）多層確認（複数指標の連動）、（2）時系列安定性（継続外れで Signal 昇格）、（3）サイト特性補正（施設規模・組入れ数・疾患重症度を共変量）、（4）疾患領域の補正（がんと代謝疾患のベースライン差）、（5）既知例外の除外の 5 手法で抑えます。Applied Clinical Trials の CluePoints 論考でも False Signal 排除が最重要課題とされています。

EDC API の近リアルタイム同期（15 分〜1 時間）、KRI 計算の日次バッチ化、緊急シグナル（SAE 遅延、重大プロトコル逸脱）の即時アラート、RBQM Analyst 朝会での前日シグナル棚卸しが基本構成です。Pfizer × CluePoints では日次分析で品質問題をリアルタイム是正する運用が公開事例として報告されています。

ACDM の小規模試験向け実践例に沿い、KRI を 5-10 個に絞り、QTL は主要評価項目と安全性指標のみ、CSM は未実施 or 試験終了時ポストホック、Targeted Review は CRA 月次訪問で代替する軽量設計が現実的です。データ規模が小さいと統計的有意検出が難しいため、ルールベース中心で運用し、必要に応じて ML を追加します。