Drug Discovery & Development に、ファーマコビジランス（PV：医薬品安全性監視）の変化を扱う記事が掲載された。PVの担当部門は、増え続ける安全性データを分析しながら、複雑化する各国の報告要件に対応する圧力にさらされている。記事は Deloitte の2026年ライフサイエンス展望に触れ、ライフサイエンス企業の経営層の48%が関連する見通しを示したとしている。
「定型の自動化」と「判断の支援」は別のもの
これまでPV領域で進んできた自動化は、主に定型作業を対象にしていた。症例情報の入力、重複の排除、報告書の様式への当てはめ、期限の管理——手順が決まっている作業を機械に移す形である。
記事が示すのはその次の段階で、判断そのものを支援する方向である。個々の症例が報告対象にあたるか、複数の症例の間にシグナルが立っているか、既知の副作用の範囲に収まるか。従来は人が読んで判断してきた部分にあたる。
製造・品質の側との接点
PVは市販後の安全性監視であり、製造工程からは遠い領域に見える。だが接点はある。
製品品質に起因する有害事象が報告された場合、その情報は製造側へ戻る必要がある。異物、含量の逸脱、包装・表示の誤り——逸脱・OOS・CAPAの調査の入口が、市場からの報告であることは珍しくない。
年次品質照査（APQR）でも、苦情と有害事象の傾向は確認対象に含まれる。製造記録の傾向と市場からの情報を突き合わせ、工程に起因する変化が無いかを見る作業である。PVと品質保証は、別の部門でありながら同じ製品を別の側から見ているという関係にある。
AIを判断に使うときに問われること
判断を支援する道具としてAIを使う場合、規制の観点から確認が要る点が出てくる。
- 説明可能性：なぜその症例をシグナルと判定したのかを、後から説明できるか
- 検証：システムが意図どおり動くことをどう確かめるか。コンピュータ化システムバリデーションの枠組みで扱う対象になる
- 監査証跡：判断の履歴が残り、改ざんできない形で保持されるか
- 人の責任：最終的な判断を誰が行うかを手順に明記しているか
定型作業の自動化であれば「同じ入力に同じ出力」を確認すれば足りる。判断を支援する道具では、出力が変わりうることを前提にした検証の設計が必要になる。ここが、これまでのシステム導入と性格の違うところである。
※ 本ページは公開情報（Drug Discovery & Development 掲載記事）をもとにしたProglenth編集部による整理です。調査の詳細・数値の定義は一次情報をご確認ください。