腫瘍学における新規治療の最有望な適応症を見つける

適切な患者を見つけることが重要な理由

現代のがん薬は命を救う可能性がありますが、どの患者群が実際に利益を得るかを突き止める作業は遅く、コストがかかり、不確実です。新薬ごとに特定のがん種や亜種で試験を行う必要があり、誤った選択は何年もの研究と数百万ドルを無駄にする一方で、患者は待たされることになります。本研究は、偶然の発見や直感に頼るのではなく、数百万の実患者データから得られる情報を使って、より早く体系的にその選択を導くデータ駆動型の方法を示します。

日常の医療データを地図に変える

著者らはINSPIREと呼ぶ手法（“INdication Selection and Prioritization In Real-world data and Evaluation”の略）を構築しました。単に実験室の結果から出発するのではなく、INSPIREは米国の日常医療で収集された大規模なリアルワールドデータセット――電子カルテや保険請求データ、200万人を超えるがん患者の記録――から学習します。これらの記録には各患者の診断、治療、検査、腫瘍サンプルなどの一連の出来事が残されています。チームはこれらの出来事をそれぞれ数学的な「特徴」に変換し、機械学習を用いて、類似した患者に頻繁に現れる医療イベントが近くに配置される共有空間を作ります。

広いがんラベルを超えて見る

多くの病院や請求システムは、腫瘍がどの部位にあるか（例：肺のどの部分か）を強調する管理コードで疾患を記述しており、組織学的な見た目を反映していません。がん薬開発では、同じ臓器にある二つの腫瘍が非常に異なる振る舞いを示し、異なる治療に反応することがあるため、これはしばしば十分に精緻ではありません。INSPIREは病理報告書――腫瘍組織の詳細な記述――を直接扱うことでこの問題に取り組みます。報告書から、特定の肺がん亜種のような細かいがんカテゴリを構築し、早期の病変と進行・転移性の病変を区別します。次に、その腫瘍情報を患者のタイムラインに沿って“伝播”させ、後の治療や検査結果、その他の出来事と結びつけられるようにします。

主要な免疫療法で手法を検証する

INSPIREが実際の意思決定に役立ち得たかを検証するため、研究者らはPD‑1を阻害する薬剤、すなわち広く使われるがん免疫療法の標的である薬に着目しました。これらの薬がまだ新しかった状況を模したため、2012年から2015年までのデータのみを用い、PD‑1薬を投与された患者や関連バイオマーカー検査を受けた患者はすべて除外しました。PD‑1治療で最初に承認を得た三つのがんを「参照」疾患として選び、INSPIREは他のすべてのがん亜種が参照とどれほど類似しているかを患者経過のパターンに基づいて測定し、後にどれが正式承認を受けるかを知らないまま有望な適応症の順位付けリストを作成しました。

ランキングが明らかにしたこと

著者らが結果の「ブラインド」を解除して、INSPIREのランキングを2015年以降に規制当局が付与した承認と比較したところ、最終的にPD‑1承認を得た適応症のおよそ70％が上位50位以内に入っていました。臨床試験でPD‑1薬が繰り返し失敗したがんは低い順位に付きやすい傾向がありました。研究者らが解析窓を拡大して近年のデータを含めたり、モデルの内部パラメータを変えたりしても同様の性能が示され、手法は比較的頑健であることが示唆されます。さらに解析では、INSPIREの内部特徴マップが腫瘍タイプ、治療、バイオマーカーなどの医学的に関連する項目をまとめており、ランダムなパターンではなく有意義な臨床構造を捉えていることが支持されました。

がん薬開発をどう変えうるか

INSPIREは基礎研究や臨床的判断に取って代わるものではなく、別の有力な根拠を提供することを目的としています。実務では、新薬を開発する企業や学術グループが、既に効果の強い証拠がある少数の腫瘍タイプを入力として与えることができます。INSPIREはリアルワールドデータの地図を用いて、患者の呈症、経過、治療のされ方という観点で類似している他のがん亜種を強調します。そうした適応症はさらに生物学的な研究や最終的には臨床試験に優先的に回され得ます。適切ながんを優先的に選ぶ確率を高めることで、INSPIREのようなアプローチは開発期間を短縮し、コストを削減し、有効な治療への患者のアクセスを早める助けになる可能性があります。

引用: Eckhoff, M., Klingelschmitt, S., Van Ruijssevelt, L. et al. Finding the most promising indications for novel treatments in oncology. npj Precis. Onc. 10, 135 (2026). https://doi.org/10.1038/s41698-026-01352-x

キーワード: がん薬開発, リアルワールドデータ, 腫瘍学における機械学習, 免疫療法, 治療適応の選定