12の革新的な研究手法と、それらが示す証拠

公開日：2024年8月10日|最終更新日：2026年10月31日

革新的な研究方法とは何か？

革新的な研究手法とは、ある分野における標準的な手法よりも新しい技術や設計のことです。証拠の発見方法を変えるもの、裁判を経ずに因果関係の問いに答える方法を変えるもの、データの収集方法を変えるものなどがあります。以下の表は、引用元から抜粋した、12種類の手法それぞれについて、最初に確認すべき事項をまとめたものです。

左右にスワイプして、すべての列を表示してください。

12の革新的な研究方法とそれぞれの根拠

各項目には、その方法の内容と、それに関する公表された情報源の報告が記載されています。各項目の下にある「適用可能な場合」と「開始方法」では、引用された情報源の報告または推奨事項を改めて示しています。手順が当社独自の提案である場合は、「当社からの提案」と記載しています。ほとんどの項目は、引用された論文の全文ではなく、要約に基づいています。

1. AI支援による文献スクリーニング

大規模言語モデルは、レビューの適格基準をタイトルと抄録に適用するように指示することができます。進行中のシステマティックレビュー用に構築されたGPT-4oプロンプトセットは、全文スクリーニング後に最終的に含まれた研究に対して100%の感度を達成しました。タイトルと抄録の段階で人間が含めたレコードの感度は、更新ごとに58%から100%まで変動し、著者らは作業負荷を65%から85%削減できるとシミュレーションしました。2^以下の実例は、別のレビューで他の2つのモデルが行ったことを示しています^。1

適用条件：多数の記録と人間^のスクリーニング決定を検証対象とするエビデンス統合プロジェクト。本研究では、リビングレビューの決定を基準として使用した。2開始方法：本研究と同様に、記録を開発セットとテストセットに分割し、開発セットのプロンプトを改良し、テストセットの人間の決定に対する感度を報告する^。2

2. 生きたシステマティックレビュー

生きたシステマティックレビューは、入手可能な関連する新しいエビデンスを取り入れながら継続的に更新されます。著者らは、システマティックレビューを最新の状態に保つことが難しく、そうしないとその妥当性、正確性、有用性が低下するという問題への対応策として、これを提示しています^。3

適用条件：研究エビデンスが急速に出現し^ている場合、現在のエビデンスが不確実な場合、そして新たな研究によって政策や実践上の決定が変わる可能性がある場合。3開始方法：新たなエビデンスが入手可能になった際に、どのように特定し追加していくかを定義する。なぜなら、定義上は継続的な更新が求められるからである^。3

3. ターゲットトライアルのエミュレーション

ターゲット試験エミュレーションは、実際の試験が利用できない、または実施不可能な場合に、仮想的な実用的ランダム化試験を明示的にエミュレートすることにより、介入の効果に関する因果関係の疑問に答えるために観察データを使用する手法である。2025年のTARGET声明では、6つのセクションに分かれた21項目のチェックリストが示されている。著者は、ターゲット試験プロトコル（因果関係の推定対象、識別仮定、データ分析計画）を明記し、それが観察データにどのようにマッピングされたかを示し、感度分析を報告する必要がある^。4

適用条件：介入の比較効果に関する質問で、無作為化試験が利用できない、または実施不可能な場合。TARGETは、ベースライン交絡因子を調整した並行群個別無作為化ターゲット試験のエミュレーションを対象としているため、設計がその範囲に該当するか確認してください。4^開始方法：データ分析を行う前にターゲット試験プロトコルを作成し、各要素が手持ちのデータにどのように対応するかを明記し、チェックリストで報告を求められている感度分析を計画してください^。4

4. プラットフォームおよびマスタープロトコルの試験

精密医療における臨床試験デザインのレビューでは、バスケット試験、アンブレラ試験、マスタープラットフォーム試験、N-of-1試験が、標準的な第I相、第II相、第III相プロトコルに取って代わり始めており、治療法の迅速な評価を可能にしていると述べられている^。5

適用可能な場合：分子特性に合わせて治療法^をカスタマイズする精密腫瘍学。このレビューはそのような状況から作成されており、新規臨床試験の一部（すべてではない）において、カスタマイズ療法が非カスタマイズ療法よりも良好な結果と相関することが示されていると報告している。5開始方法：レビューで各デザインの利点、限界、課題について説明されている内容を読んでから選択し、そのデザインがあなたの専門分野と規制当局に適していることを確認する^。5

5. 市民科学

2025年の生息地モニタリングに関するレビューでは、458人のボランティア生物多様性記録者への調査結果がまとめられた。既存の記録者は生息地記録を検討する意向を示したが、多くは自信がなく、一部は意欲が欠けていた。著者らは、ボランティアの意欲と自信、そしてデータの正確性の相互作用に対処する6つの質問からなる設計フレームワークを構築した。このフレームワークは、目的の明確さ、ボランティアの費用、プロトコルの複雑さ、サンプリングの規模を網羅しており、これらはボランティアが必要とするトレーニングとサポートに影響を与える^。6

適用条件：専門家による調査だけでは到達できない範囲と規模の観察データや生息地データが必要な場合。このレビューでは、市民科学を専門家による調査や地球観測を補完するものとして位置づけています。6^開始方法：参加者を募集する前に、自身のプロジェクトについて6つの枠組み質問に答え、プロトコルで精度の証拠を探してください。要約には精度の数値は記載されていません^。6

6. 機械学習を活用した市民科学

古生物学および考古学プロジェクトのレビューでは、機械学習とボランティアの貢献を組み合わせるための4段階のワークフロー（準備、実行、実装、反復）が提案されている。化石や遺物などの対象物に関するデータ収集は、生物多様性モニタリングにおける観察の収集とは異なる要件があると指摘している^。7

適用可能な場合：化石や遺物の大規模なコレクションなど、レビューで市民科学と機械学習が相互に有益であると述べられている場合。7^開始方法： 4つのフェーズをプロジェクト計画として使用し、市民科学タスク、機械学習開発、研究、利害関係者との連携、アプリまたはインフラストラクチャ開発など、各役割にタスクを割り当てます^。7

7. フィールドデータ収集のためのドローン

概観調査では、2010年以降に発表された、ドローンを用いて野生動物の生態生理を研究した136件の研究が特定され、対象種は海洋哺乳類、特に鯨類に偏っていた。8 ²⁰²⁵年のドローンを用いた有害藻類ブルームのモニタリングに関するレビューでは、検証、規制上のギャップ、健康リスクフレームワークとの統合などが、依然として残る課題として挙げられている^。9

適用可能な場合：野生動物の非侵襲的サンプリング（標準的なカラーセンサーによる体格状態および形態計測データが主流となる場合）⁸、および衛星および現場観測法を補完する藻類ブルームのモニタリング^9。開始方法：藻類ブルームに関するレビューで検討事項として挙げられている飛行規制を確認し、センサーデータの検証方法を計画する。検証は、レビューで挙げられている継続的な課題の1つだからである^。9

8. 仮想現実実験

エピソード記憶研究における仮想現実に関するレビューでは、関連文献が複数の分野にまたがり、それぞれ異なる装置を使用しているため、研究間の違いが真の理論を反映しているのか、方法論的な差異を反映しているのかを判断するのが難しいと指摘されている^。10

適用可能な場合：没入型環境における学習とエピソード記憶の研究。没入が記憶^に及ぼす影響や、仮想現実から現実世界への効果の転移などを含む。10開始方法：ハードウェアとソフトウェアを記録しておく。レビューによると、研究によって装置が異なるためである。VRでの学習が現実世界とどのように異なるかについてはほとんど知られていないことがレビューで指摘されているため、現実世界との比較条件を追加することを推奨する^。10

9. 消費者向けウェアラブル機器

INTERLIVEの専門家声明では、消費者向けウェアラブルデバイスとスマートフォンの歩数計測機能について、多くの消費者向けデバイスの妥当性が厳密かつ透明性のある評価を受けていないと述べ、妥当性検証研究のためのチェックリストを提供している^。11

適用する場合：消費者向けウェアラブルデバイスまたはスマートフォンデバイス^による歩数計測で身体活動を測定する。11開始方法：ステートメントの6つのドメイン（対象集団、基準測定、指標測定、検証条件、データ処理、統計分析）を使用して検証研究を設計および報告します。歩数計用の基本的なプロトコルと高度なプロトコルが提供されています。11 検証結果^に依拠する前に、ご使用のデバイスと結果に合致する検証エビデンスを確認することをお勧めします。

10. 大規模テキストソースのテキストマイニング

親密なパートナー間暴力研究における計算機によるテキスト分析の体系的レビューでは、8つのデータベースにわたる22の研究が見つかった。テキストマイニングにより、研究者は、例えばソーシャルメディアや組織から得られる、手動で分析するには大きすぎるデータセットにアクセスできるようになる^。12

適用条件：ソーシャルメディアや組織からのデータセット^で、手動で分析するには規模が大きすぎる場合。レビューは1つの分野を対象としているため、そのエビデンスが自分の分野にも適用できるかどうかを確認してください。12開始方法：教師あり学習または教師なし学習のアプローチを選択し（対象研究ではルールベース分類、機械学習、深層学習、トピックモデリングを使用）、対象研究のほとんどが行ったように、ラベル付きテストセットまたはk分割交差検証で評価し、精度とF1スコアを報告します^。12

11. AI支援による定性分析

2026年に実施された75件の研究を対象とした概観レビューでは、質的研究において大規模な言語モデルが広く用いられており、その多くはコーディング支援（43件の研究）とテーマ特定（41件の研究）に利用され、テーマ分析が主要な手法（38件）であることが明らかになった。モデルと人間のコーダーとの一致率は36%から99%の範囲であった。13 ²⁰²⁶年に実施された42件の健康研究を対象とした迅速レビューでは、記述的なテーマについては80%を超える一致率がしばしば見られたが、文化的ニュアンスのあるテーマについては約30%にとどまり、捏造された引用を含む不正確な記述が時折報告された^。14

適用可能な場合：大量のテキストを扱う初期段階の作業（慣れ、コーディング、テーマ開発など）では、帰納的なテーマ分析と内容分析において最も高いパフォーマンスを発揮し、内省的分析や理論主導型分析ではパフォーマンスが低下した。14^開始方法：解釈を担当する人間を配置し、各引用文をソーステキストと照合する。モデル、その展開方法（API、Webインターフェース、ローカル）、温度、コンテキストの長さ、プロンプトを報告する。スコーピングレビューでは、75の研究のうち温度を報告したのはわずか13件で、75%はパラメータ設定を全く報告していなかった^。13

12. ソーシャルメディア分析

2026年に実施された、ソーシャルメディア上の電子タバコ関連コンテンツに関する136件の研究を対象とした概観レビューでは、手動コーディングが主流であり、計算手法やハイブリッド手法を用いた研究は少数にとどまっていることが分かった。計算手法は一般的に大規模なデータセットに適用され、検証結果の報告もより一貫しており、AIアプリケーションはトピック発見と感情分析に集中していた。15 ²⁰²⁶年に実施された、8つのプラットフォームにわたるHPVワクチン関連コンテンツに関する50件の研究を対象とした概観レビューでは、Xが最も頻繁に研究されており、コンテンツ分析、感情分析、トピックモデリング、ネットワーク分析が用いられていることが分かり、感情極性だけでは議論を十分に理解できないと結論づけている^。16

適切な場合：プラットフォームを横断したトピックに関する公開討論のマッピング。どちらのレビューも健康コミュニケーション分野からのものであるため、エビデンスがあなたの分野に適用できるかどうかを確認してください。16^開始方法：まずプラットフォームとサンプリングを定義し、手動コーディング、計算コーディング、またはハイブリッドコーディングのどれがデータセットのサイズに適しているかを決定し、計算出力がどのように検証されたかを報告します。これは電子タバコのレビューで強調されているギャップです。15テーマやコンテンツ^だけでなく、感情の極性もコーディングします^。16

実例：984件の抄録に対するAIスクリーニングのテスト

スペイン主導のチームが、2 つの言語モデルが生物医学的システマティックレビューのタイトルと抄録をスクリーニングできるかどうかをテストしました。この論文は CC BY 4.0 の下でオープンアクセスであるため、そのカウントを再プロットし、R で派生した数値を再計算しました。1 ²⁰²²年 10 月に Medline、Embase、Scopus を検索した結果、重複を削除した後、1,081 件のレコードが残りました。人間のレビュー担当者が 2 人で作業し、意見の相違を解決するために 3 人目が加わり、参照基準となりました。97 件のレコードには抄録が欠落していたため、モデルは 984 件のレコードを評価し、そのうち人間は 80 件のレコードを含め、904 件のレコードを除外しました。

Llama 3 70BとGPT-4o miniはそれぞれ、温度（0、0.5、1）のみが異なる3つの構成で、同じプロンプトを用いて実行された。Llama 3の最適な構成であるLLA_2は、感度77.5%、特異度91.4%、精度90.2%であった。GPT-4o miniの最適な構成であるGPT_2（論文本文ではCHAT_2と呼ばれている）は、感度56.2%、特異度95.1%、精度92.0%であった^。1

精度が高いからといって問題が隠れるわけではありません。984件のレコードのうち904件が無関係だったため、構成によっては80件の関連レコードのうち35件を破棄しても約92%の精度を達成できてしまいます。これは、すべてのGPT-4o mini構成で起こったことです。Llama 3構成では18～20件が漏れていました。

左右にスワイプして、すべての列を表示してください。

これは、あるレビューにおいて、2つの汎用モデルが約10件中9件の抄録で人間のスクリーニング結果と一致し、Llama 3の実行で最も関連性の高いレコードが見つかり、人間が読む必要があった抄録は約9%から14%にとどまったことを示している。これは、他のトピックや新しいモデルの結果、どれだけの時間が節約されたか、あるいは人間のチェックなしのパイプラインが安全であるかどうかを示していない。著者らは、偽陽性および偽陰性に対処するためには、手動による検証が依然として必要であると述べている^。1

革新的な研究方法の選び方

リスト内のどのメソッドに対しても、同じ手順を使用してください。

1. 1質問から始めましょう。 質問と、その回答が裏付けるであろう決定事項を書き出してください。それに役立たない方法は、邪魔なだけです。
2. 2あなたの専門分野における妥当性の証拠を見つけてください。 あなたの抱えている問題と似たような問題に対して、その手法の有効性を検証した公開済みの試験結果を探してください。異なる分野の試験結果を探さないでください。
3. 3信頼できる基準に基づいて試験を実施する。 984件の抄録を用いた研究がヒトスクリーニングで行ったように、既に答えが分かっている小規模なサンプルでこの方法を実行してください。
4. 4プロトコルと報告ガイドラインを事前に規定する。 データの収集や分析を行う前に、設計、結果、および報告に関するガイドラインを確定してください。
5. 5再現できるだけの十分な報告を。 モデル、デバイスまたはプラットフォーム名、設定、プロンプトまたはプロトコルを記載してください。スクリーニング研究では、他の研究者が再利用できるよう、プロンプトと設定を公開しています。¹

分析の実行や確認が必要ですか？Editverseにご相談ください。

Editverseの専門家は、COPE、ICMJE、GPP 2022のガイドラインに沿って業務を行い、各機関および各国固有の倫理規定を遵守しています。

エディットバース

方法論に関する協議

どの方法があなたの質問やデータに最適か分からない？

提出物：研究課題、データ、および計画された研究デザイン。

内容：博士号を持つ方法論専門家との45分間のセッションが3回、推奨事項を含む設計レビュー、および方法論フレームワークに関する文書。

時期：提案段階にある場合、または方法論に関する懸念がある場合。

方法論コンサルティングパッケージ · 400ドル

私のメソッドをレビューしてもらう →

エディットバース

文献レビューサポート

レビューのための検索戦略とギャップ分析が必要ですか？

送信するもの：研究テーマと、対象とするデータベース。

提供されるのは、検索戦略文書、Excel形式の文献マトリックス、ギャップ分析レポート、注釈付き参考文献リストです。これらを基にレビューを執筆してください。

必要な時：防御可能な検索および統合の基盤が必要な場合。

文献レビュー支援パッケージ · 500ドル

私のレビューを応援してください →

エディットバース

統計分析

論文誌が指定するソフトウェアで分析を実行する必要がありますか？

送信するもの：データ、研究課題、および希望するソフトウェア。

提供されるもの：注釈付きコードまたは構文、完全な出力ファイル、出力解釈ガイド、および出版可能な表。

時期：データ収集が完了し、分析が保留中の場合。

SPSS/R/STATA統計分析ツール · 400ドル

分析を実行する →

よくある質問

革新的な研究手法とは何ですか？

これらは、文献のAI支援スクリーニング、AI支援定性分析、ライブシステマティックレビュー、ターゲットトライアルエミュレーション、プラットフォームトライアル、市民科学、ドローン、バーチャルリアリティ、コンシューマーウェアラブル、テキストマイニング、ソーシャルメディア分析など、あなたの分野における標準的な手法よりも新しいアプローチです。新しいからといって検証済みとは限りません。導入する前に、あなたの分野におけるその手法の公開されたエビデンスを確認してください。

私の研究に最適な革新的な研究方法はどれですか？

あなたの疑問に、根拠に基づいた回答を与えてくれる方法を選びましょう。まずは疑問点と、それが裏付ける結論から始め、次にあなたの専門分野におけるその方法の妥当性検証研究を探してください。上記の表は、引用元から抜粋した、各方法と最初に確認すべき事項を一覧表にまとめています。

抄録のスクリーニングにおいて、AIは人間の査読者を代替できるだろうか？

我々が検討した証拠に基づくと、そうではない。984件の抄録を対象としたある公開テストでは、最適なLlama 3構成の感度は77.5%、最適なGPT-4o mini構成の感度は56.2%であり、いずれも人間のレビュー担当者との比較結果である。著者らは、重要な研究が見落とされないように、手動による検証は依然として必要であると結論付けている。

ターゲットトライアルエミュレーションとは何ですか？

これは、ランダム化比較試験が実施できない場合や実施が困難な場合に、仮想的な実用的ランダム化比較試験を明示的に模倣することで、観察データを用いて因果効果を推定する方法である。2025 TARGET声明では、6つのセクションに分かれた21項目の報告チェックリストが示されている。

リビングシステマティックレビューとは何ですか?

継続的に更新され、入手可能な関連する新しい証拠を組み込む体系的なレビュー。その提唱者たちは、証拠が急速に出現している場合、不確実な場合、あるいは政策や慣行を変更する可能性がある場合に、特に重要になる可能性があると示唆している。

消費者向けウェアラブルデバイスは研究に利用できるのか？

それはデバイスと測定方法によって異なります。INTERLIVEの専門家声明では、多くの消費者向けウェアラブルデバイスやスマートフォンの歩数計測の妥当性が厳密かつ透明性をもって評価されていないと述べ、妥当性検証研究のためのチェックリストを提供しています。使用予定のデバイスと測定結果について、妥当性検証の証拠を確認してください。

市民科学データは、発表された研究論文に利用できますか？

証拠はプロジェクトの設計によって異なります。2025年の生息地記録に関するレビューでは、ボランティアのモチベーション、自信、データの正確性を結びつける6つの質問からなる設計フレームワークが構築されており、これはボランティアが必要とするトレーニングとサポートに影響を与えます。ボランティアのデータに頼る前に、独自のプロトコルにおける正確性の証拠を確認してください。

新しい手法を用いた研究結果を報告するにはどうすればよいでしょうか？

設計に合った報告ガイドラインを使用し、再現可能な程度に詳細に方法を記述してください。エミュレートされた試験の場合は、TARGET チェックリストを使用します。AI スクリーニングの場合は、984 件の抄録の研究と同様に、モデル、その設定、およびプロンプトを報告してください。2026 年に実施された 75 件の LLM 支援による定性研究の概観レビューでは、75% がモデルパラメータ設定を全く報告していないことがわかりました。

参考情報

1. López-Pineda A、Nouni-García R、Carbonell-Soliva Á、Gil-Guillén VF、Carratalá-Munuera C、Borrás F。生物医学の系統的レビューにおけるタイトルと要約のスクリーニングのための大規模言語モデル (Llama 3 および ChatGPT-4o mini) の検証。 研究合成法。 2025;16(4):620-630. オープンアクセス、CC BY 4.0; 間隔、精度、および読書負荷の数値は、R の Editverse によって再計算されました。 doi.org/10.1017/rsm.2025.15
2. Homiar A、Thomas J、Ostinelli EG、et al. 進行中のシステマティックレビューにおけるタイトルと抄録をスクリーニングするための大規模言語モデル用プロンプトの開発と評価。 BMJメンタルヘルス。 2025;28(1). doi:10.1136/bmjment-2025-301762. pubmed.ncbi.nlm.nih.gov/40701625 /
3. Elliott JH、Synnot A、Turner T、et al. 生きたシステマティックレビュー：1. はじめに：なぜ、何を、いつ、どのように。 J Clin Epidemiol。 2017。91：23-30。 doi.org/10.1016/j.jclinepi.2017.08.010
4. Cashin AG、Hansford HJ、Hernán MA、他。ターゲット試験を模倣した観察研究の透明性のある報告：TARGET声明。 BMJ。 2025;390:e087179. doi:10.1136/bmj-2025-087179. pubmed.ncbi.nlm.nih.gov/40903028 /
5. Fountzilas E、Tsimberidou AM、Vo HH、Kurzrock R. 精密医療時代の臨床試験デザイン。 ゲノムメッド。 2022、14（1）：101。 doi.org/10.1186/s13073-022-01102-1
6. Barnes AE、Pocock MJO、Harris MM、Newton N、Robinson RA。単なる種記録にとどまらない：生息地モニタリングにおける市民科学の可能性。 景観生態学 2025、40（9）：181。 doi.org/10.1007/s10980-025-02155-4
7. Eijkelboom I、Schulp AS、Amkreutz L、他。化石と遺物を理解する：機械学習支援型市民科学プロジェクトの成功するワークフロー設計のためのベストプラクティスのレビュー。 PeerJ。 2025;13:e18927. doi:10.7717/peerj.18927. pubmed.ncbi.nlm.nih.gov/39959835 /
8. Yaney-Keller A、McIntosh RR、Clarke RH、Reina RD。空中ギャップを埋める：野生生物の生態生理学研究におけるドローンの利用。 ケンブリッジ哲学協会生物学レビュー 2025;100(3):1206-1228. doi:10.1111/brv.13181. pubmed.ncbi.nlm.nih.gov/39822117 /
9. Byrd K、Wu J、Lee J. 無人航空機による有害藻類ブルームのモニタリング：ツール、課題、および公衆衛生への影響。 毒素（バーゼル）。 2025;17(10). doi:10.3390/toxins17100475. pubmed.ncbi.nlm.nih.gov/41150176 /
10. Smith SA. エピソード記憶研究における仮想現実：レビュー。 サイコン・ブル・レヴ 2019;26(4):1213-1237. doi.org/10.3758/s13423-019-01605-w
11. Johnston W、Judice PB、Molina García P、他。消費者向けウェアラブルデバイスおよびスマートフォンの歩数計測の妥当性を判断するための推奨事項：INTERLIVEネットワークの専門家声明およびチェックリスト。 Br J Sports Med。 2021;55(14):780-793. doi:10.1136/bjsports-2020-103147. pubmed.ncbi.nlm.nih.gov/33361276 /
12. Neubauer L、Straw I、Mariconti E、Tanczer LM。親密なパートナー間暴力研究における計算機によるテキスト分析手法の使用に関する体系的な文献レビュー。 Jファミリーバイオレンス。 2023. doi:10.1007/s10896-023-00517-7. doi.org/10.1007/s10896-023-00517-7
13. Kempny C、Frings J、Rust P、Meister S、Fehring L. 質的研究における大規模言語モデルの使用と方法論的報告：スコーピングレビュー。 BMCMedResMethodol。 2026;26(1). doi:10.1186/s12874-026-02913-1. pubmed.ncbi.nlm.nih.gov/42298426 /
14. Gierbolini-Rivera RD、Franco Silva M、Augusto de Paula da Silva A、他。健康研究における定性的手法のための生成型人工知能：迅速レビュー。 J Med Internet Res。 2026;28:e98551. doi:10.2196/98551. pubmed.ncbi.nlm.nih.gov/42684312 /
15. Tiong WN、A Rahim AI、Arifin Wan Mansor WN、Yaacob NA。ソーシャルメディア上の電子タバココンテンツのマッピング：方法、AIアプリケーション、およびプロモーション戦略に関する概観レビュー。 J Health Commun. 2026;31(5):205-221. doi:10.1080/10810730.2026.2684616. pubmed.ncbi.nlm.nih.gov/42277591 /
16. Xu Y、Cong R、Liu Mら。8つのソーシャルメディアプラットフォームにおけるヒトパピローマウイルスワクチン関連のソーシャルメディアコンテンツの調査：コミュニケーションコンテンツ、情報源、および分析アプローチの概観レビュー。 J Med Internet Res。 2026;28:e92040. doi:10.2196/92040. pubmed.ncbi.nlm.nih.gov/42743585 /

Editverseリサーチチーム | 2026年10月更新