医学 x AI

Mathematical Foundations of Artificial Intelligence for Healthcare: A Systematic Review ｜ Y Jiménez-Gaona et al., Frontiers in Artificial Intelligence, 2026. ｜ ヘルスケアAIは多様な数学的フレームワークに依存しているが、モデル開発、評価、解釈可能性、臨床翻訳への貢献は暗黙的に理解され、明示的に分析されることは少ない。 本レビューでは、ヘルスケアAIを支える数学的基盤（線形代数、微積分、確率論、最適化理論、グラフ理論、微分方程式など）を包括的にマッピングし、批判的に評価する。

Artificial Intelligence in Drug Discovery and Development: From Computational Promise to Clinical Translation ｜ S Sharma et al., Journal of Pharmacological Horizons, 2026. ｜ 人工知能 (AI) は創薬・開発パイプライン全体に組み込まれているが、臨床的影響のエビデンス基盤は段階によって不均一。 計算上の進歩は初期段階プロセスを加速したが、AI由来の洞察を成功する臨床結果に変換するには課題が多い。

NHS staff perceptions of artificial intelligence in healthcare settings ｜ S Ndoro, British Journal of Healthcare Management, 2026. ｜ 人工知能 (AI) は診断強化、臨床プロセス合理化、個別化された患者ケアなど、ヘルスケア提供を革新する可能性を秘めている。 NHSスタッフのAI導入と使用に関する認識を探る質的研究により、AIの潜在的利点（ワークロード軽減、診断精度向上）への熱意と、雇用の安定性への懸念が見られた。

Ethical Risk Mitigation in Artificial Intelligence-Enabled Healthcare ｜ SA Hameed et al., International Journal on Islamic Applications in …, 2026. ｜ AIの臨床実践と公衆衛生への導入は、診断画像、トリアージ、臨床文書作成、個別化医療のための生成型大規模マルチモーダルモデル (LMMs) において変革的な進歩を約束している。 AIの急速な統合は、バイアス、プライバシー、説明責任、公平性などの深刻な倫理的ジレンマを引き起こしている。

Artificial Intelligence in Clinical Pharmacy: A Narrative Review of Applications in Drug Dosing and Safety Monitoring ｜ AH Hassan, Pharma-X, 2026. ｜ 人工知能 (AI) と機械学習 (ML) は、臨床薬学において、ファーマコビジランス、薬剤安全性監視、個別化された薬剤投与のための意思決定支援技術として調査が進められている。 主要な応用分野として、副作用 (ADRs) および薬剤間相互作用 (DDIs) の予測、患者固有の因子に基づく個別化された薬剤投与、薬剤照合の自動化と処方エラーの特定、複雑な症例における臨床意思決定支援が挙げられる。

Public perspectives on artificial intelligence in healthcare in the USA: a cross-sectional survey ｜ VP Nair et al., BMJ Digital Health & AI, 2026. ｜ 米国におけるヘルスケア分野での人工知能 (AI) に対する一般市民の視点、信頼度、快適度、利用意向を評価する横断的調査。 参加者の58%が医療提供者がAIを使用することに抵抗がないと回答し、AIに対する信頼度は中程度（平均3.4/5）、AIによるセカンドオピニオンに対しては肯定的（65%が抵抗なし）。

Artificial intelligence in drug discovery: Integrating data, models, and mechanisms for next-generation therapeutics ｜ R Korutla et al., Artificial Intelligence in the …, 2026. ｜ AIによる創薬プロセスは変革をもたらしているが、AIが主導して発見された薬剤で市場に到達したものはない。最も重要なギャップは臨床翻訳にある。 過去10年間のAI創薬の進歩を批判的に分析し、データサイエンス、機械学習モデル、メカニズム生物学の相乗的統合を論じる。

Applications, advantages, and limitations of artificial intelligence in medical education assessment: a systematic review ｜ M Polat et al., BMC Medical Education, 2026. ｜ 人工知能 (AI) は医療教育評価に急速に統合されているが、評価における応用、利点、限界に焦点を当てた系統的レビューが不足していた。 AIの応用例として、記述式回答の自動採点、シミュレーションでの成績評価、適応学習評価が挙げられる。

Uncertainty-aware deep learning for drug-target interaction prediction ｜ R You et al., Results in Engineering, 2026. ｜ 創薬プロセスは平均15年、約20億ドルを要するため、計算手法の進展が求められている。 深層学習は薬剤-標的相互作用 (DTI) 予測において有望だが、そのブラックボックス性と不確実性定量化の欠如が臨床応用の信頼性を制限していた。

English original title ｜ R Rajan et al., 2026 International Conference on …, 2026 ｜ 抗菌薬発見を加速するために機械学習と深層学習が重要性を増していることを示す。 分子記述子を用いた定量的構造活性相関（QSAR）などのアプローチを活用。