製薬業界におけるAIの活用と事例紹介
製薬業界のAI適用領域と、実事例をご紹介

-
製薬業界におけるAIの活用と事例紹介
現在、製薬業界では新薬開発をしなければいけない状況が続いています。なぜなら、少子高齢化の医療費増大によって、国の政策によって薬価が抑えられ、厳しい市場環境が続くと想定されているからです。
そのような状況の中で話題となっているのがAIの活用です。現時点でもデジタル化の波が医療分野にも押し寄せており、生体情報といったビッグデータを扱っている創薬分野では、AIの活用も想定されます。また、大手の製薬会社とバイオ・創薬分野で先端技術を持つベンチャー企業との提携のニュースも見られるようになりました。
製薬会社の業務内容は、新薬開発や医療機関への営業、顧客対応をするコールセンター業務などで、多くのビジネスシーンでAI技術の活用が期待されています。当記事では製薬業界におけるAI活用におけるメリットや事例を解説します。
-
製薬業界でAIを活用できるビジネスシーンとは
製薬会社でAIを活用できるのはどのような場面でしょうか。製薬会社には様々なビジネスシーンがありますが、AIは多くの場面で活用が期待されています。この章では製薬会社におけるビジネスシーンを振り返りながら、どのような場面でAIを活用できるか解説します。最適な臨床試験の実施
AIは臨床試験での活用にもっとも適した技術といえます。なぜなら、AIは患者の既往歴やカルテをハイレベルで分析できるからです。AIは多くの患者のデータにアクセスでき、臨床試験に適合する患者を素早く正確に見つけ出せます。AI技術の活用によって、治験者のバイオメーカーと薬の副作用を予測し、潜在的な合併症を避けることも可能です。
需要や売上などの予測
製薬業界ではAIを活用した経営面での多くの予測事例があります。その一つが独占権を失った場合の機械学習によるチャーン予測(離反予測)です。チャーン予測をすることで既存顧客を維持しながら、予測される収入減に対応するための行動計画が作成できます。
その他のAI活用の具体例としては下記のようなものがあります。
特定の薬による患者の反応を分析するための予測モデリング
不正行為の検出
薬物転用の検出をさらに難しくするための包括的なデータの照合
センサーデータによる異常の検出とモデリング
製造・サプライチェーンAIを活用した機器・設備の予知保全は、製薬会社ではかなり大きな効果をもたらします。また、AIによって標準的な生産場面におけるユースケースだけではなく、イノベーションや今後を想定した対応ができるチャンスを手に入れられるのです。
例えば、ある会社では、世界的な有名製薬会社と協力し、世界の40ヵ国以上の市場で数百の製品の売上予測をサポートしています。また、AIで統合したREST APIによって、サプライチェーン内の構造化データと非構造化データの両方で、安定したサプライチェーン分析を行えます。
営業・マーケティング
AIは複雑なデータプライバシーガイドラインへの対応や、製薬会社からの営業を望まない医師・特定のルートからの営業だけを望む医師への対応が可能です。そのため、よりパーソナライズされたマーケティングだけではなく、国・地域ごとの営業や訪問営業の最適化も含めて、世界各国の製薬会社の営業やマーケティング戦略を強化するためのサポートができます。
GxPコンプライアンス
2020年、AIはある製薬会社の内部監査・レビュープロセスによって、GxPコンプライアンスに準拠していると認定されました。これによって、その製薬会社では規制対象データを使用したAIのコラボレーション・データサイエンス・プラットフォームを利用できるようになりました。
研究開発における画像認識
AIは単純なモデルだけではなく、顕微鏡検査をフォローする画像認識の深層学習モデルといった、複雑なモデルの構築もできます。
-
製薬業界におけるAI活用事例8選
製薬業界がAIを活用した多くの事例があります。この章では製薬会社のビジネスシーンや創薬などの8つのAI活用事例を紹介します。事例1:音声認識と対話要約技術によるコールセンター業務の効率化
ジェネリック医薬品大手のA社は、システム開発大手のAIツールを導入しました。A社では取扱製品が年々増加するだけではなく、医療従事者からの問い合わせ数が増えてきています。このような状況の中で、コールセンターが多くの問いあわせに効率的に対応するため、AIツールが導入されたのです。
近年のA社のコールセンター業務には下記のような課題がありました。
問いあわせ件数が年々増加している
問いあわせ内容が幅広く複雑である
薬剤師が応対するため専門スタッフの人員を簡単に増やせないこれまでは電話で問いあわせられた内容とその回答を、システムに入力しなければなりませんでした。しかし、システム開発大手のAIツールは音声認識と要約文の自動作成が行えるため、スタッフの入力業務自体が大幅に減り、コールセンター業務の効率化が実現しました。
事例2:癌ワクチンの開発
フランスのB社と日本のC社は、AIを活用した癌ワクチンを共同開発しました。この癌ワクチンは患者一人ひとりにあわせたものであり、患者にあった効果的な治療が実現できます。C社は以前からAIの活用による創薬事業を行ってきましたが、本格的な研究開発は今回の癌ワクチンが初めてです。
この癌ワクチンの効果は次の通りです。まず、患者の細胞で正常なものと癌のものを比較し、癌細胞だけにある異常なタンパク質をAIで予想します。次に、この癌ワクチンによって予想した異常なタンパク質を患者の体内で増加させます。最後に、免疫細胞が異常なたんぱく質を異物として認識・攻撃して、元から存在していたがん細胞に対しても効果を発揮するのです。
事例3:産学連携による医薬品価値の最大化
製薬大手のD社はE大学・F大学と、AIを活用し医薬品の価値を最も高める取り組みについての共同研究契約を締結しました。研究内容はビッグデータを土台とした統計モデルやシミュレーションの活用です。
E大学との研究は治療効果の最大化です。患者の症状を分析したうえで薬の効果を予測し、最適な薬を選択できれば、治療効果が最大化して治療コストが削減できます。
F大学との研究は医薬品を開発する際の意思決定における最適化です。医薬品の研究開発では、臨床試験デザインや研究対象となる疾患の選択などの様々な重要な選択をしなければなりません。これらの重要な選択を、データをもとに解析し選択肢のメリット・デメリットを評価します。さらに、医薬品開発の意思決定を早めることで最適化に繋がるのです。
これらの2大学との共同研究によるノウハウや成果を相互に活用することで、より精度の高い推定にもとづいた意思決定ができます。
事例4:産学連携プロジェクトによる創薬テーマ創出
国内の100以上のIT企業や製薬企業による産学連携プロジェクトGは、創薬AIの開発を行っています。
プロジェクトGでは多くのプロジェクトが同時進行しています。その中の一つのプロジェクトに「創薬テーマ創出」があり、さらに4つに細分化されて進行中です。4つのうちの一つでは、膨大にある論文データの中から、研究パートナー探索を実現するプロジェクトが行われています。
このプロジェクトからプロジェクトG発のベンチャー企業が誕生し、現在、研究パートナー探索サービスの提供中です。同サービスは学術文献データベース内にある約100万人分の論文著者をベースにしています。それによって、探索したいテーマを入力すれば、著者の治験分野や共著者名がわかる仕組みになっているのです。
また、共著といったのデータもベースにしているため、ある点を通るルートが多いほど中心性が高いとする計算手法である媒介中心性の使用が可能です。そのため、人的なネットワークにより有望で成長性が高い研究者を探すこともできます。
事例5:売上予測モデルの構築
アメリカの医薬情報サービスの日本法人であるH社は、AIシステム開発を行っている会社の売上予測モデルの構築サービスを導入し、製薬会社の意思決定のコンサルティング業務に参入しました。
H社は医薬品データを大量に保有し、これまで販売やコンサルティングなどのビジネスを行ってきました。売上予測モデルの構築サービスを導入することで、これまでクライアントに提供していた医薬品市場における売上の実績データの他に、AIを活用した将来の売上予測値の提供が可能になりました。クライアントからの多くのニーズにこたえる形で、同サービスを提供するようになったようです。
事例6:データ駆動型創薬の開発
製薬大手のI社とAIの開発事業を行っているJ社は、AIを活用した創薬研究分野で共同開発プロジェクトを行うことになりました。
同プロジェクトはビッグデータをもとに創薬事業のプロセスの高度化・効率化をテーマにしています。現在、AI技術と創薬の専門家同士の高いレベルでの協力関係が必要とされています。なぜなら、創薬の専門性やプロセスを理解しながら、AIが持っている力を最大限発揮させることが必要であるからです。
例えば、創薬の対象として必要なデータ解析を実現するアプローチ方法を開発し、活用方法や解析結果を包括的に評価して判断します。現在、同プロジェクトでは、I社の創薬研究者とJ社の創薬の専門性があるエンジニアが下記のような研究を進めています。
ディープラーニングを含めたAI技術の現場での実装
創薬の知識と融合したデータの利活用の推進
事例7:全自動創薬ロボットバイオベンチャーのK社は、AIを活用した創薬サポートを行っています。K社のAI技術や大規模なデータ収集と製薬会社が得意としているバイオ技術を組みあわせることで、それぞれの製薬会社に適したAIの構築が可能です。
バイオ関連の医薬品分子の構造はとても複雑です。そのため、以前は人の手でスクリーニングを何回も行って、数千に及ぶペプチド・抗体の中から有用なものを探していました。K社の創薬サポートでは、手作業で行っていたものを、AIとロボットで分子設計と大量のスクリーニングを行います。その結果、効率的な作業が実現でき、今までの方法では発見や実現が難しかった作業が可能になったのです。
事例8:治験関連文書の作成の効率化
製薬大手のL社と大手システムインテグレーターのM社は、創薬で避けて通ることのできない治験業務を、AI技術を活用し効率的に作業する実証実験を行いました。
新薬の開発には下記のようなプロセスがあります。
研究
治験における臨床データの収集・解析
安全性の確認上記のプロセスは短くて9年や10年、長期間にわたる開発では20年近くかかる開発もあります。さらに、それぞれの開発プロセスでは厳密な文書の作成が義務となっています。そこで、L社とM社はこれらの文書作成を、それぞれのプロセスと関連づけて作成できるシステムを開発しました。
開発したシステムによって、同意説明文書や症例報告書の作成作業の効率化に成功したのです。現段階では商用化できていませんが、製薬業界での展開を目指していく計画です。
-
まとめ
製薬業界ではAI技術の活用に積極的です。AI技術の活用が想定される場面としては、研究開発や臨床試験だけではなく、営業や製造などのビジネスシーンなどがあります。また、現時点でも製薬業界でのAI活用事例が多く存在しています。AI活用事例としては、コールセンター業務や治験の文書作成、事業の売上予測などの事務・経営面のほか、ワクチン・創薬ロボットの開発や医薬品の効果的な利用などです。研究においては、大学や他企業との共同研究も積極的に行われています。
関連した事例
-
ノーコードでAIを開発する方法とは?開発事例・無料の開発プラットフォームを紹介
ここ数年、国内外の開発者の間で「ノーコード(NoCode)」という言葉がよく聞かれます。 ノーコードとは、文字通りコードいらずでWebサイトやWebサービスを開発する手法のことです。 このノーコードの開発手法を使って、AI(人工知能)を開発しようとする動きが出てきています。 本記事では、ノーコードでAIを開発して自社課題を解決したい方に向けて、ノーコードでどんなことができるのかを解説していきます。 ノーコードを使ってAIを開発した事例も紹介しているので、ぜひ参考にしてみてください。
-
ディープラーニング(深層学習)とは?AI・機械学習との違いを簡単に解説
ディープラーニング、AI、機械学習。誰しも、テレビや本で一度は耳にしたことがあると思います。 ですがこれらが何を指しているのか、なぜ注目を集めているのか知っている方は少ないのではないでしょうか。 本記事ではAIを学んだことがない方向けに、ディープラーニングとは何なのかを簡単に解説します。 ディープラーニングと機械学習の違いがわからない方や、ディープラーニングの活用事例を知りたい方も必見です。
-
AI(人工知能)とは?業界や業務別の課題解決例・なぜ重要なのかを解説
「AI」というと、みなさんは何を思い浮かべますか? 画像認識や音声認識、自動運転など、、、でしょうか。 人工知能やAIという言葉は、SF作品などによく登場するため知っている人は多いのではないでしょうか。ですが、「人工知能(AI)とは」という質問に対して言葉の意味を詳しく理解して答えられる人は少ないかもしれません。 この記事では、人工知能(AI)の基礎知識や仕組み、最新の活用例、問題を紹介します。また、開発・研究の歴史や人工知能でできること・できないことも解説しますので、ぜひご覧ください。
-
プログラミングでAIを開発する方法!必須のプログラミング言語・入門知識を解説
近年急速に進化しているAI(人工知能)。 AIを活用すれば、今まで大量の人と時間を投下していた業務も効率よく精度高く遂行できます。 人と同じような動きができるためすごい存在に思えるAIですが、プログラミングを学べば初心者でも開発が可能です。 本記事では、プログラミングをしてAIを開発する方法やAI開発におすすめのプログラミング言語をご紹介します。
-
機械学習(ML)とは? メリット・種類・業界や課題別の活用例・実施方法を解説
機械学習(Machine Learning)とは、コンピューター(Machine)が与えられた大量のデータを処理・分析することでルールやパターンを発見する技術・手法のことです。学習の結果明らかになったルール・パターンを現状に当てはめることで、精度の高い将来予測が可能となります。 高度なコンピューターを使用することで、人間の脳では処理しきれない複雑な要素を加味した分析・学習が可能となりました。その結果、近年ではさまざまな領域において人間による作業の精度向上・効率化に役立てられています。自動運転や医療、人間の購買行動の分析など、さまざまなビジネス領域で機械学習が実用化されており、今後のマーケットで生き残っていくためには必須の技術になりつつあるといえるでしょう。 本記事では、機械学習(ML)の概要やメリット、種類に加え、業種別・課題別の活用例を紹介します。実際に取り入れる際の作業フローも紹介しているので、機械学習の活用に興味がある方はぜひ参考にしてみてください。
-
データドリブン経営とは?成功事例からわかる必要性・メリット解説
ビジネスでデータを活用するのは、今やどの企業も当たり前に行なっています。 ですが、データを効果的に活用できている企業はあまり多くありません。 データを部分的にしか活用できていない、人によってデータ活用のレベルが異なる企業が多いのではないでしょうか。反対に、データを活用しようと意気込んで収集した結果、膨大なデータを持て余している場合も見受けられます。 このように、データを有効活用できていないと感じる方々に知っていただきたいのが、「データドリブン経営」という考え方です。本記事では、データドリブン経営とは何かを簡単に解説し、データドリブンで数字改善した成功事例をご紹介します。データを活用して売上を伸ばしたい、コスト改善したいと考えている方は、ぜひ参考にしてみてください。
-
AIやExcelを活用したコールセンターの入電数予測の方法
コールセンターにおけるコール予測(呼量予測、forecaster)とは、お客様からの問い合わせなどセンターで受信する電話の量を予測することをいいます。 コールセンターの運用コストを増加させる要因のうち大きなものが、コミュニケーターの人件費です。コミュニケーターは顧客からの入電に応じてオペレーションの対応をするため、実際の入電数よりも多くのコミュニケーターを配置すると、対応がなく待ち状態のコミュニケーターが増えて、不要な人件費の増加に繋がります。また、逆に配置人数が少ないと呼び出し中でつながらないなどのクレームの要因になりかねません。適正な人員をコンタクトセンターに配置することで、十分な顧客満足度が提供できる状態でオペレーションを行っていることが理想です。今回は、Excelを活用したコール予測、AI(人工知能)による機械学習を用いた時系列分析で、コール予測を実現する方法をご紹介します。
-
予測分析とは?活用事例とその手法・ツールをご紹介
予測分析とは、過去の行動パターンを特定し、将来の結果を予測するために、大量のデータに数理モデルを適用する手法です。 機械学習、データマイニング、統計アルゴリズムなどの複数の組み合わせがもたらす「予測的手法」により、予測分析ツールは、単純な相関付け以上の機能を実装できます。ビジネス分野では、予測分析が以下に示すようなさまざまな用途に利活用されています。 ・需要と供給のより正確な予測コンピューターネットワークに悪影響を及ぼす脅威と潜在的問題の特定 ・保険サービスや金融サービスにおけるセキュリティリスクの低減 ・クレジットカード詐欺のリアルタイム検出 予測分析機能を組み込んだソフトウェアが増えつつあり、これはあらゆる規模の組織体でユーザーにとって身近なものになっています。予測分析はデータサイエンスや高度な分析に関する訓練を受けていないエンドユーザーにも実務上の価値をもたらします。これは、まさにすべてのユーザーが恩恵を受ける機会を提供することに値します。この概念を「データの民主化」と呼びます。誰もがデータを利用してより良い意思決定を下せるように、組織全体でデータを誰もが利用できるようにするという概念です。 本記事では、予測分析がなぜ重要なのか、予測分析の実活用例、予測分析の手法、機械学習やデータマイニングなどの他のテクノロジーとの関係、モデルの役割、予測分析を始めるにあたってのヒントについてご紹介します。
-
ディープラーニング(深層学習)とは?概要や、業界・課題別の活用例・導入手法を解説
AI(人工知能)という言葉は昔からありましたが、近年いよいよ本格的に生活のなかで活用されるようになってきました。そのなかで重要な役割を果たしているのがディープラーニング(深層学習)です。従来は機械に任せるのが難しかったケースにも対応できるようになり、さまざまな形で日常生活やビジネスに変革をもたらしています。 しかし、ディープラーニングがどのような仕組みなのか、具体的に理解している方は少ないでしょう。本記事では、ディープラーニング(深層学習)の仕組みや、AI・機械学習との違い、さらに業種別のビジネスへの活用例を紹介します。 ディープラーニングを事業活動に活かしたいとお考えの経営者・事業担当者の方は、ぜひ参考にしてみてください。