AIと希少疾病 ── 2026-10-17

希少疾病（神経とがんを除く）と AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「8 の種別のどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。

疾患の種別に読む: 基盤（総論）（1） · 先天代謝異常症（0） · 遺伝性症候群・小児（0） · 希少な血液疾患（0） · 免疫・膠原病（0） · 循環器・呼吸器（1） · 腎・肝・消化器（0） · 皮膚・骨（0）

希少疾病の診断と創薬の基盤とAI

• 大規模言語モデルを用いて臨床記録から希少疾患の表現型を抽出し、整理する、一貫した人工知能フレームワークである
  An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models
  npj Digital Medicine · 2026-10-15 · 証拠の段階: 後ろ向きの観察（モデル開発と外部検証）
  抄録（全訳）

  希少疾患の診断では、表現型を整理すること（フェノタイピング）が基本になる。しかし、臨床記録から構造化された表現型を人手でまとめるには手間がかかり、規模を広げにくい。

  既存の人工知能（AI）の手法は、フェノタイピングの個々の工程を最適化するものである。既存の手法は、この全工程を実運用できる形にまとめたものではないことが多い。工程全体とは次の三つを指す。

  - 臨床テキストから特徴を抜き出す。

  - それをヒト表現型オントロジー（HPO）の用語に標準化する。

  - 希少疾患に関係する HPO 用語に優先順位を付ける。

  著者らは、希少疾患フェノタイピングを最初から最後まで通して行う AI フレームワーク RARE-PHENIX を開発した。RARE-PHENIX は次の三つの要素からなる。

  - 大規模言語モデルによる表現型の抽出

  - オントロジーに基づく HPO 用語への標準化

  - 教師あり学習による HPO 用語の順位付け

  学習には、Undiagnosed Diseases Network（未診断疾患ネットワーク）の 11 臨床施設の患者 2671 人のデータを使った。外部検証には、Vanderbilt University Medical Center の患者 143 人の実臨床記録 16,357 件を使った。

  結果から、次の三点が示唆された。

  - RARE-PHENIX は、構造化され優先順位の付いた HPO 用語を出力でき、その内容は臨床医が整理したものとよく一致する。

  下流での疾患の優先順位付けに役立つ可能性のあるシグナルも示された。

  実臨床で、人が判断に関わる形の希少疾患の表現型解析を支援できる可能性がある。

  掲載誌の IF 相当：13.7（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）
  書誌：Shyr C, Hu Y, Tinker RJ, Cassini TA, Byram KW, Hamid R, et al. An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models. npj Digit Med. 2026 Oct 15 [Epub ahead of print]. doi:10.1038/s41746-026-03275-0.
  確認の範囲：抄録のみ確認

基盤（総論）の論文をすべて見る（1 本）→

先天代謝異常症（ライソゾーム病・ミトコンドリア病など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

遺伝性の症候群・小児の希少疾病の治療・治験とAI

この号では、新しい該当論文はありませんでした。

希少な血液疾患（血友病・鎌状赤血球症など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

自己炎症・免疫不全・希少な膠原病の治療・治験とAI

この号では、新しい該当論文はありませんでした。

希少な循環器・呼吸器疾患の治療・治験とAI

• 肺動脈性肺高血圧症で機能状態を予測し医療費を推計する機械学習フレームワーク：後ろ向きコホート研究
  A Machine Learning Framework for Predicting Functional Status and Estimating Health Care Costs in Pulmonary Arterial Hypertension: Retrospective Cohort Study
  JMIR Medical Informatics · 2026-10-15 · 証拠の段階: 後ろ向きの観察（後ろ向きコホート研究）
  抄録（全訳）

  背景：肺動脈性肺高血圧症（PAH）は、まれで進行性の疾患である。臨床像は患者ごとに大きく異なり、医療費も高い。臨床転帰の予測に機械学習（ML）を使う例は増えている。ただ、臨床予測とその先の経済モデルを組み合わせた手法はまだ少ない。

  目的：PAH 患者で、将来の機能状態を予測し、それに伴う医療費も推計する。この二つを組み合わせた ML フレームワークを提案し、評価した。

  方法：後ろ向きコホート研究で、PAH 患者 181 人のデータを解析した。教師あり ML アルゴリズム 6 種類を学習させた。評価した教師あり機械学習アルゴリズムは次の 6 種類である。 LASSO（Least Absolute Shrinkage and Selection Operator）回帰、リッジ回帰、k 近傍法、決定木、ランダムフォレスト、勾配ブースティングである。予測にはベースラインの臨床変数を用いた。予測の対象は、世界保健機関機能分類（WHO-FC）のベースラインから 12 か月後までの相対変化とした。予測した変化率は、12 か月後の WHO-FC の予測値に換算し、医療費の推計に使った。 予測変数の欠測値は中央値で補完した。補完は、データを学習用とテスト用に分ける前に行った。モデルの性能は、交差検証と独立したテストセットで評価した。指標は次の二種類である。 - ピアソン相関係数（r） - 誤差指標：二乗平均平方根誤差（RMSE）、平均絶対誤差（MAE）、絶対誤差の中央値（MedAE） 予測した WHO-FC 値は、外部で検証済みの実臨床の医療費推計値に結び付けた。この推計値は機能分類ごとに層別化されている。これで将来の経済的負担を概算した。

  結果：予測性能が最も高かったのは k 近傍法（r = 0.40、R2 = 0.16）で、次が LASSO 回帰（r = 0.30、R2 = 0.09）だった。予測誤差はどのモデルでも同程度だった。 推計した平均医療費は、患者 1 人 1 か月あたり 12,481〜12,614 米ドルだった。12 か月で WHO-FC は有意に改善した。それでも推計医療費はほとんど変わらなかった。この結果は、機能分類のどの層でも経済的負担が続いていることを反映している。 PAH において、機能状態の予測と医療費の推計を組み合わせた ML フレームワークは実行可能であることが示された。予測性能は中程度にとどまった。予測性能は中等度にとどまったが、この手法は ML モデルの用途が臨床エンドポイントの予測だけではないことを示している。費用の予測や資源の計画など、システムレベルの応用へ広げられる。臨床や医療システムに導入する前に、より大規模な多施設コホートでさらに検証する必要がある。

  掲載誌の IF 相当：5.9（OpenAlex の直近 2 年の平均被引用数・2026-10-16 時点の値、2026-10-17 に取得。正式な IF（Clarivate）ではない）
  書誌：Kramer M, Kramer T. A Machine Learning Framework for Predicting Functional Status and Estimating Health Care Costs in Pulmonary Arterial Hypertension: Retrospective Cohort Study. JMIR Med Inform. 2026 Oct 15;14:e97372. doi:10.2196/97372.
  確認の範囲：抄録のみ確認

循環器・呼吸器の論文をすべて見る（1 本）→

希少な腎・肝・消化器疾患の治療・治験とAI

この号では、新しい該当論文はありませんでした。

希少な皮膚・骨の疾患の治療・治験とAI

この号では、新しい該当論文はありませんでした。