tooluniverse-clinical-trial-design

臨床試験デザインの実現可能性評価

6つの研究領域を分析し、臨床試験の実現可能性を体系的に評価します。登録患者数の定量的な予測、エンドポイントの推奨、規制上の経路分析を含む包括的な実現可能性レポートを作成します。

重要：ユーザーが別の言語で入力した場合でも、ツール呼び出しでは必ず英語の用語（薬剤名、疾患名、バイオマーカー名）を使用してください。英語で検索結果が得られない場合に限り、原語の用語を試してください。回答はユーザーの言語で行ってください。

検索前の推論

試験デザインは手法ではなく、問いから始まります。ツールを実行する前に、次の4つの質問に答えてください。これらの答えが、それ以外のすべてを決定します。

1. 主要エンドポイントは何ですか？ 全生存期間（ゴールドスタンダードですが、時間がかかります）、PFS（より早く評価できますが、代替エンドポイントです）、ORR（単群試験に適していますが、必ずしも受け入れられるとは限りません）、それともバイオマーカー（まず代替エンドポイントとしての妥当性確認が必要です）でしょうか？エンドポイントによって、FDA の承認経路、統計デザイン、試験期間が決まります。
2. 対象集団は誰ですか？ バイオマーカーで選別しない広範な集団ですか、それともバイオマーカーで選別した集団ですか？選別した集団では奏効率が高くなり、試験規模を小さくできますが、妥当性が確認されたコンパニオン診断が必要となり、適格患者集団は縮小します。
3. 比較対照は何ですか？ プラセボ（標準治療が存在しない場合に限ります）、実薬対照（非劣性または優越性の枠組みが必要です）、それともヒストリカルコントロールを用いた単群試験（希少疾患やブレークスルー指定では受け入れられる場合がありますが、FDA による厳しい審査があります）でしょうか？
4. 作用機序を踏まえた場合、効果量は現実的ですか？ SOC と比べて ORR を20％改善するには、各群で約100人の患者が必要です。50％の改善であれば約30人です。作用機序が正当化できる改善がわずか10％にすぎない場合、デザインにかかわらず検出力不足となる可能性があります。エンドポイントを決定する前に、類似試験における先例の効果量を確認してください。

この4つの答えによって、サンプルサイズ、期間、試験デザインが決まります。先例となる試験や FDA のガイダンスを調べてください。第一原理から導き出してはいけません。

調べて確認し、推測しないでください：適応症の標準治療を決して推測せず、DrugBank と FDA のツールで調べてください。エンドポイントが FDA に受け入れられていると決めつけず、search_clinical_trials の先例と OpenFDA_get_approval_history で確認してください。有病率を記憶から推定せず、OpenTargets、gnomAD、または COSMIC を使用してください。

基本原則

1. レポート優先のアプローチ（必須）

ツールの出力をユーザーに見せないでください。代わりに、次の手順に従ってください。

1. まず [INDICATION]_trial_feasibility_report.md を作成します
2. すべてのセクション見出しを用意します
3. データが届くたびに段階的に更新します
4. 最終レポートのみを提示します

2. エビデンス評価システム

グレード	記号	基準	例
A	3つ星	規制当局による承認、複数の先例	同一適応症で FDA が承認したエンドポイント
B	2つ星	臨床的に検証済み、先例が1件	関連する適応症での第3相試験
C	1つ星	前臨床または探索的	第1相での使用、バイオマーカーの妥当性確認が進行中
D	0つ星	提案段階、妥当性未確認	新規エンドポイント、先例なし

3. 実現可能性スコア（0～100）

加重複合スコア：

• 患者の確保可能性（30％）：患者集団の規模 × バイオマーカー有病率 × 地域
• エンドポイントの先例（25％）：過去の使用実績、規制当局による承認
• 規制上の明確さ（20％）：経路が明確で、先例が存在する
• 比較対照の実現可能性（15％）：標準治療の利用可能性
• 安全性モニタリング（10％）：既知のリスク、確立されたモニタリング

解釈：>=75 HIGH（進行）、50-74 MODERATE（追加の妥当性確認が必要）、<50 LOW（リスク低減が必要）

---

このスキルを使用する場面

次のような場合に適用します。

• 初期段階の試験を計画する場合（Phase 1/2を重視）
• 登録可能性の評価が必要な場合
• バイオマーカーで選択する試験を設計する場合
• エンドポイント戦略を評価する場合
• 規制当局への申請経路を評価する場合
• 試験デザインの選択肢を比較する場合
• 安全性モニタリング計画が必要な場合

トリガーフレーズ：「clinical trial design」、「trial feasibility」、「enrollment projections」、「endpoint selection」、「trial planning」、「Phase 1/2 design」、「basket trial」、「biomarker trial」

---

コア戦略：6つの調査パス

6つの調査軸を並行して実行します。各パスの詳細な手順については、STUDY_DESIGN_PROCEDURES.mdを参照してください。

Trial Design Query
|
+-- PATH 1: Patient Population Sizing
|   Disease prevalence, biomarker prevalence, geographic distribution,
|   eligibility criteria impact, enrollment projections
|
+-- PATH 2: Biomarker Prevalence & Testing
|   Mutation frequency, testing availability, turnaround time,
|   cost/reimbursement, alternative biomarkers
|
+-- PATH 3: Comparator Selection
|   Standard of care, approved comparators, historical controls,
|   placebo appropriateness, combination therapy
|
+-- PATH 4: Endpoint Selection
|   Primary endpoint precedents, FDA acceptance history,
|   measurement feasibility, surrogate vs clinical endpoints
|
+-- PATH 5: Safety Endpoints & Monitoring
|   Mechanism-based toxicity, class effects, organ-specific monitoring,
|   DLT history, safety monitoring plan
|
+-- PATH 6: Regulatory Pathway
    Regulatory precedents (505(b)(1), 505(b)(2)), breakthrough therapy,
    orphan drug, fast track, FDA guidance

---

レポート構成（14セクション）

すべての14セクションを含む[INDICATION]_trial_feasibility_report.mdを作成します。入力可能なフィールドを含む完全なテンプレートについては、REPORT_TEMPLATE.mdを参照してください。

1. エグゼクティブサマリー - 実現可能性スコア、主な調査結果、実施可否の推奨
2. 疾患の背景 - 有病率、発生率、SOC、アンメットニーズ
3. 患者集団の分析 - 基準集団、バイオマーカーによる選択、適格性の絞り込み、登録予測
4. バイオマーカー戦略 - 主要バイオマーカー、代替案、検査の実施体制
5. エンドポイントの選択と妥当性 - 主要／副次／探索的エンドポイント、統計上の考慮事項
6. 比較対照の分析 - SOC、試験デザインの選択肢（単群 vs ランダム化 vs 非劣性）、薬剤の調達
7. 安全性エンドポイントとモニタリング計画 - DLTの定義、作用機序に基づく毒性、臓器モニタリング、SMC
8. 試験デザインの推奨 - Phase、デザインの種類、スキーマ、適格性、治療計画、評価スケジュール
9. 登録と施設の戦略 - 施設の選定、登録予測、募集戦略
10. 規制当局への申請経路 - FDA申請経路、先例、pre-INDミーティング、INDのスケジュール
11. 予算とリソースに関する考慮事項 - コスト要因、スケジュール、FTE要件
12. リスク評価 - 実現可能性のリスク、科学的リスク、軽減策
13. 成功基準と実施可否の判断 - Phase 1/2の基準、中間解析、実現可能性スコアカード
14. 推奨事項と次のステップ - 最終推奨、IND申請までのクリティカルパス、代替デザイン

---

調査パス別ツール一覧

PATH 1：患者集団の規模推定

• OpenTargets_get_disease_id_description_by_name - 疾患の検索
• OpenTargets_get_diseases_phenotypes_by_target_ensembl - 有病率データ
• ClinVar_search_variants - バイオマーカー変異頻度
• gnomad_search_variants - 集団アレル頻度
• PubMed_search_articles - 疫学文献
• search_clinical_trials - 過去の試験に基づく登録可能性

PATH 2：バイオマーカーの有病率と検査

• ClinVar_get_variant_details - バリアントの病原性
• COSMIC_search_mutations - がん特異的な変異頻度
• gnomad_get_variant - 集団遺伝学
• PubMed_search_articles - CDx検査の性能、ガイドライン

PATH 3：比較対照の選定

• drugbank_get_drug_basic_info_by_drug_name_or_id - 薬剤情報
• drugbank_get_indications_by_drug_name_or_drugbank_id - 承認済み適応症
• drugbank_get_pharmacology_by_drug_name_or_drugbank_id - 作用機序
• FDA_OrangeBook_search_drug - ジェネリック医薬品の入手可能性
• OpenFDA_get_approval_history - 承認の詳細
• search_clinical_trials - 過去の対照群データ

PATH 4：エンドポイントの選択

• search_clinical_trials - 先例となる試験、使用されたエンドポイント
• PubMed_search_articles - FDAの受容実績、エンドポイントの妥当性
• OpenFDA_get_approval_history - 適応症別の承認済みエンドポイント

パス 5：安全性評価項目とモニタリング

• drugbank_get_pharmacology_by_drug_name_or_drugbank_id - 毒性の作用機序
• FDA_get_warnings_and_cautions_by_drug_name - FDA の黒枠警告
• FAERS_search_reports_by_drug_and_reaction - 実臨床での有害事象
• FAERS_count_reactions_by_drug_event - 有害事象の頻度
• FAERS_count_death_related_by_drug - 重篤な転帰
• PubMed_search_articles - DLT の定義、モニタリング戦略

パス 6：規制経路

• OpenFDA_get_approval_history - 先例となる承認
• PubMed_search_articles - ブレークスルー指定、FDA ガイダンス
• search_clinical_trials - 規制上の先例（迅速承認）

---

クイックスタートの例

from tooluniverse import ToolUniverse

tu = ToolUniverse()
tu.load_tools()

# Example: EGFR+ NSCLC trial feasibility
# Step 1: Disease prevalence
disease_info = tu.tools.OpenTargets_get_disease_id_description_by_name(
    diseaseName="non-small cell lung cancer"
)
# Returns HPO phenotypes only, not prevalence figures; get prevalence from literature
prevalence = tu.tools.OpenTargets_get_associated_phenotypes_by_disease_efoId(
    efoId=disease_info['data']['search']['hits'][0]['id']
)

# Step 2: Biomarker prevalence
variants = tu.tools.ClinVar_search_variants(gene="EGFR", significance="pathogenic")

# Step 3: Precedent trials
trials = tu.tools.ClinicalTrials_search_studies(
    condition="EGFR positive non-small cell lung cancer",
    filter_status="COMPLETED", filter_phase="PHASE2"
)

# Step 4: Standard of care comparator
soc = tu.tools.FDA_OrangeBook_search_drug(generic_name="osimertinib")

# Compile into feasibility report...

6 つのパスを網羅する Python ワークフローとユースケースの例については、WORKFLOW_DETAILS.md を参照してください。

---

次のステップ

この実現可能性評価が完了したら、tooluniverse-clinical-trial-protocol を使用して、6 つの評価軸（評価項目、対象集団、比較対照、効果量、期間、規制経路）の調査結果を実際のプロトコル文書にまとめます。ICH E6(R2)/FDA スタイルの各セクションに加えて、実際のサンプルサイズ計算も含まれます。このスキルは実現可能性を再評価するのではなく、このレポートの出力を使用します。

他のスキルとの連携

• tooluniverse-drug-research：作用機序、前臨床データを調査
• tooluniverse-disease-research：疾患の生物学を詳しく調査
• tooluniverse-target-research：薬物標的とその必須性を検証
• tooluniverse-pharmacovigilance：比較対照薬の市販後安全性
• tooluniverse-precision-oncology：バイオマーカーの生物学、耐性機序

---

プログラムからのアクセス（ツール以外）

ToolUniverse ツールから返される試験メタデータが限られている場合は、ClinicalTrials.gov v2 API を直接使用してください。

import requests, pandas as pd

# Search with pagination (all lung cancer immunotherapy trials with results)
all_studies = []
token = None
while True:
    params = {"query.cond": "lung cancer", "query.intr": "immunotherapy",
              "filter.overallStatus": "COMPLETED", "filter.results": "WITH_RESULTS", "pageSize": 100}
    if token: params["pageToken"] = token
    resp = requests.get("https://clinicaltrials.gov/api/v2/studies", params=params).json()
    all_studies.extend(resp.get("studies", []))
    token = resp.get("nextPageToken")
    if not token: break

# Extract structured data
rows = []
for s in all_studies:
    proto = s.get("protocolSection", {})
    rows.append({
        "nctId": proto.get("identificationModule", {}).get("nctId"),
        "title": proto.get("identificationModule", {}).get("briefTitle"),
        "enrollment": proto.get("designModule", {}).get("enrollmentInfo", {}).get("count"),
        "phase": proto.get("designModule", {}).get("phases", [None])[0] if proto.get("designModule", {}).get("phases") else None,
    })
df = pd.DataFrame(rows)

# FDA drug approval history
drug = "pembrolizumab"
fda = requests.get(f"https://api.fda.gov/drug/drugsfda.json?search=openfda.brand_name:{drug}&limit=10").json()

ページネーション、エラー処理、一括ダウンロードのパターンについては、tooluniverse-data-wrangling スキルを参照してください。

---

参考ファイル

ファイル	内容
REPORT_TEMPLATE.md	入力可能なフィールドを含む、全 14 セクションのレポートテンプレート
STUDY_DESIGN_PROCEDURES.md	6 つの調査パスそれぞれの詳細な手順
WORKFLOW_DETAILS.md	Python ワークフローの完全な例と 5 つのユースケースの概要
BEST_PRACTICES.md	ベストプラクティス、よくある落とし穴、出力形式の要件
EXAMPLES.md	その他の例
QUICK_START.md	クイックスタートガイド

---

バージョン情報

• バージョン：1.0.0
• 最終更新：2026 年 2 月
• 対応バージョン：ToolUniverse 0.5+
• 対象：臨床開発初期の第 1/2 相