データベースに関する技術的課題ではなく、臨中ネットの事業的側面に注目します。臨中ネット「取りまとめ施設」（名古屋大学、慶應義塾大学、九州大学）の関係者と協力し、全ての臨中ネット参加施設と共に、臨中ネットにおけるこれまでの議論を踏まえ、本事業の価値と超えるべきハードルについて論点を整理し、活発な意見交換ができる場を作ります。その上で、臨中ネットの真価を引き出す方策について、合意をまとめつつ、施設等により意見や立場の異なる部分についても明らかにします。こうした検討に基づき、「潜在ユーザー」を主な想定読者として、臨中ネットの価値を分かりやすく伝える総説を、臨中ネットの全参加施設の総意として出版することを目指します。

　臨中ネットの目標を広く捉えるなら、厚生労働省の医療DX構想にもある医療データ二次利用に先鞭をつけることであり、その社会的重要性は論を待ちません。一方、参加施設にとって経済的利益といった分かりやすいインセンティブは十分ではなく、根本的に利他的な側面があります。ここでは、さまざまな立場や考え方を認め合う丁寧な議論により、社会的な価値創造への道筋を探ります。

　臨中ネットのデータ利用として従来、「単独での」「データ駆動型研究への」利用が想定されてきました。（「データ駆動型研究」は探索的な疫学研究を指します。）本チームではこれに加え、以下の二つの戦略を重視します。

臨中ネットの本質は、「共通データセット」として多施設間で標準化された臨床データの提供といえます。「共通データセット」は単独で「データ駆動型研究」に役立つ可能性があります（上図左）。一部施設ではSEAMAT^†等の規格に基づく構造化データがすでに構築されていることから、これを「共通データセット」と組み合わせることで、活用の幅が広がる可能性があります（上図中央）。さらに、多施設で構築されている領域別の診療レジストリ等の既存構造化データとの組み合わせも有望です（上図右）。このように、臨中ネットの枠にとらわれず、多様なデータを柔軟に組み合わせることが、幅広い価値につながる可能性があります。

†SEAMAT（JCSデータ出力標準フォーマットガイドライン）: 一般社団法人日本循環器学会が策定した、医療データ規格の一つ。

　今日、「ビッグデータ」と総称されるような各種の医療関連データに基づく後ろ向き観察研究が多く行われている一方、ランダム化比較試験をはじめとする前向き研究や、研究課題特有の情報収集を伴う緻密な後ろ向き研究は不足しており、この原因の一つがデータ収集にかかる多大な費用や現場負担です。臨中ネットのような多施設間のデータ標準化により、ランダム化比較試験を含めた信頼性の高い研究にかかる費用や現場負担を大幅に軽減しえますが、こうしたアプローチの成功例は世界的にも多くありません。

　本チームではこのような戦略に沿う具体的なプロジェクトを試行し、ノウハウ蓄積、人材育成、将来的な方向性の検討、ステークホルダの信頼獲得など、臨中ネットを中心とするエコシステムの構築につなげていきます。

　近年急速に発達した「生成AI」と「AIエージェント（※）」の技術を組み合わせることで、自然言語での指示だけでデータベースから必要な情報を抽出することが可能になってきました。本取り組みでは、この最新技術を治験候補者抽出に適用し、臨床現場での実用化を目指しています
※ AIエージェントとは、生成AIを活用しながら、人間の指示を理解し、自律的に考えながら作業を進めるAIシステムです。複雑な作業を複数のステップに分解し、エラーが起きても自ら修正しながら目標を達成します。優秀なアシスタントのように、試行錯誤しながら問題を解決することができます。