『ChatGPTと生成AIを活用した医療統計
〜 AIの限界と人間に求められる「統計的判断力」〜』
（(株)データシード 吉田 寛輝）
|
１．医療統計における生成AI活用の現在地と限界
1.1 AIの圧倒的な賢さと「丸投げ」の危険性
1.2 AIが根本的に「苦手」とする領域
２．臨床研究・統計解析に求められる「3つの力」
2.1 統計を支える「理論・判断力・実践力」の定義
2.2 AIが得意な領域と「実践力」の補完
2.3 人間にしか担えない「判断力」
３．AI時代を生き抜くための「統計的判断力」の鍛え方
3.1 プロンプトを学ぶ前に磨くべき力
3.2 判断力を養うための実践的トレーニング
3.3 「なぜその解析なのか」を自らに問うことの重要性
４．実務効率化のための生成AIツール「4つの使い分け」
4.1 汎用ツール（Gemini / ChatGPT）：迷った時の「壁打ち相手」
4.2 NotebookLM：指定資料のみをベースにする「情報の深掘り」
4.3 Claude：プログラミング（コード生成）の「最強のアシスタント」
4.4 Gems等のカスタムAI：ルーチンワークの「完全自動化」
4.5 実務利用における最重要事項：セキュリティとガバナンス
５．おわりに 〜AIを「賢い助手」として使いこなすために〜 |
|
『AROの立場からの生成AI によるデータマネジメント』
（筑波大学 慶野 直人）
|
１．はじめに
２．調査から見えるAI活用の現在地−壁は性能だけではなく情報管理と運用体制
３．ARO のDM が抱える構造的課題−標準化と個別対応のジレンマ
４．試行錯誤から見えた現実解− AIに任せるのはプログラム生成
4.1 CRF 画面仕様書からDB 定義書を自動生成
4.2 項目ラベルからCDISC 変数候補を提示
4.3 ODM ファイルから試験情報を抽出
５．生成AI を実務に組み込む− AI，プログラム，人の役割分担
６．実践例−生成AI を活用したEditCheckの設計・実装支援
6.1 CRF 画面仕様書とEditCheck 仕様書の整合性確認に伴う負荷
6.2 EditCheck 設計と実装業務のタスク分解
6.3 AI の使い分けーチャットボットとエージェント
6.4 実践から得られた示唆− AI への指示は業務標準化の基盤になる
７．実装の進め方−まず業務を小さなタスクに分解する
８．個人の工夫を組織の資産へ
8.1 個人利用から組織的な再利用へ
8.2 過去に蓄積された業務知識の資産化
8.3 組織固有のコンテキストを蓄積する
９．おわりに |
|
『AI×データマネジメント：業務スピードを最大化する次世代戦略：
「概念実証（PoC）」から統合データ基盤による「実装」へ』
（メディデータ・ソリューションズ(株) 藤野
耕太郎）
|
１．はじめに：臨床試験AIの現在地と「データの壁」
２．統合データ基盤「Clinical Data Studio」がもたらす革新
３．AIを活用したデータマネジメント業務を加速する次世代戦略：
早期導入企業の優位性とCDSの実装
3.1 早期導入企業が示すAIの成果
3.2 CDSおけるAI機能の実装
４．おわりに：新たなデータマネジメントの役割 |
|
