現代AIの能力は生体医工学の風景を一変させ、手動データ解析から高レベルな戦略的イノベーションへと焦点を移行させました。FDA規制の迷路を進むにせよ、生体材料の選択を最適化するにせよ、信号処理アルゴリズムのデバッグを行うにせよ、大規模言語モデル（LLM）はあなたの技術的専門知識を力増幅器として機能します。
以下のプロンプトは、ChatGPT、Gemini、Claude、DeepSeek向けに厳密にテスト・最適化されています。各モデルはDeepSeekのコード生成能力やClaudeの規制文書におけるニュアンスなど、異なるアーキテクチャを持っていますが、これらの10のプロンプトは、ワークフローの効率化とコンプライアンス忠実度の向上を目指す生体医工学エンジニアに普遍的な基盤を提供します。
1. ユーザーニーズからの設計入力生成
曖昧な臨床ニーズを検証可能な工学要件に変換することは、デバイス開発における重大な失敗ポイントです。このプロンプトはそのギャップを埋めます。
最適モデル： Claude（ニュアンスのある意味論的マッピングを扱う能力）またはChatGPT
医療機器のシニアシステムエンジニアとして行動してください。
新しい[デバイスタイプ、例：ウェアラブルインスリンポンプ]の「ユーザーニーズ」リストを提供します。
各ユーザーニーズを、21 CFR 820.30規格に従った具体的で測定可能、検証可能な「設計入力要件」に変換してください。
出力は、ユーザーニーズID、ユーザーニーズ説明、設計入力ID、技術的要件、提案検証方法（例：分析、検査、試験）の列を持つ表形式でフォーマットしてください。
ユーザーニーズ：
[ユーザーニーズをここに挿入]
効果： トレーサビリティマトリックスの構造を即座に作成し、すべての設計要件が臨床ニーズにマッピングされることを保証します。監査対応に必須です。
2. FMEA（故障モード影響解析）の自動化
DFMEAの草案作成は退屈ですが必須です。このプロンプトは見落としがちな潜在故障モードのブレインストーミングを支援します。
最適モデル： DeepSeek（論理的厳密性）またはChatGPT
ISO 14971に準拠したリスク管理スペシャリストとして行動してください。
[デバイス説明、例：チタン製股関節インプラント]を設計しています。
予備的なDFMEA（設計故障モード影響解析）表を生成してください。
以下の列を含めてください：コンポーネント/機能、潜在故障モード、潜在故障原因、患者への潜在影響、推奨緩和策。
機械的故障と生体適合性リスクの両方に焦点を当ててください。
効果： 設計段階の早い段階でエッジケースと故障モードを特定し、下流での再設計を減らすことで、リスク管理文書作成を迅速に開始できます。
3. 規制ルートの要約（510(k)対PMA）
連邦規則集のナビゲーションは時間がかかります。これを利用して分類と戦略を迅速に評価してください。
最適モデル： Gemini（大規模情報コンテキストの処理）またはClaude
以下の使用目的と技術的特性を持つ医療機器を開発しています：[説明を挿入]。
規制事務コンサルタントとして行動してください。
1. 可能性の高いFDAデバイスクラス（クラスI、II、III）を決定してください。
2. この特定デバイスについて、510(k)提出と事前承認（PMA）の規制負担を比較してください。
3. 記載された標準機能に基づいて、3つの潜在的な述語デバイスを提案してください。
効果： 規制環境の迅速な実現可能性評価を提供し、本格的な開発開始前にタイムラインと予算を見積もることができます。
4. 臨床試験プロトコルの草案作成
ゼロからプロトコルを書くことは困難です。このプロンプトは、GCP（適正臨床試験規範）に沿った堅固な構造草案を生成します。
最適モデル： Claude（専門的なトーンと文書構造）
[対象患者集団]を対象とした[デバイス名]の骨格となる臨床試験プロトコルを草案してください。
主要エンドポイントは[エンドポイントを挿入、例：収縮期血圧の低下]です。
以下のセクションを含めてください：
- 研究目的（主要および副次）
- 選択/除外基準
- 研究デザイン（例：無作為化、二重盲検）
- 統計的方法論の概要
IRB（施設内審査委員会）への提出に適したトーンを保証してください。
効果： 特定の臨床データとパラメータを最終化するだけで完成する準拠テンプレートを提供することで、ライターズブロックを明確に軽減します。
5. 生体信号処理のためのPythonコード作成
生体医工学エンジニアは、ECG、EEG、EMGデータからノイズを除去するカスタムスクリプトを必要とすることがよくあります。
最適モデル： DeepSeek（コーディングロジックに最適化）またはChatGPT
SciPyとNumPyを使用して、ノイズを含むECGデータを含む生のCSVファイルを処理するPythonスクリプトを書いてください。
スクリプトは以下を行う必要があります：
1. データをロードする。
2. バンドパスフィルタ（0.5-50 Hz）を適用してベースラインワンダーと高周波ノイズを除去する。
3. ノッチフィルタを適用して電源ライン干渉（50/60 Hz）を除去する。
4. Pan-Tompkinsアルゴリズムまたは類似ロジックを使用してRピークを検出する。
5. Rピークをマークした元信号とフィルタリング信号をプロットする。
ジュニアエンジニアが理解できるようにコードに十分なコメントを付けてください。
効果： 信号分析のための機能的なコメント付きボイラープレートコードを生成し、構文ではなくアルゴリズムチューニングに集中できるようにします。
6. 非技術的ステークホルダー向け技術仕様の簡素化
複雑な生体力学を投資家や病院管理者に説明する必要がよくあります。
最適モデル： ChatGPT（多様なトーンシフト）またはGemini
新しい[デバイス名]の以下の技術仕様があります：
「[技術仕様をここに挿入]」
これを非技術的な病院管理者向けに書き直してください。
臨床的価値、患者安全性の利点、費用対効果に焦点を当ててください。
可能な場合は専門用語を避け、必要な場合は簡単に説明してください。
効果： 工学の密度をビジネス価値と臨床的利点に翻訳することで、部門横断的な整合性を保証します。
7. 生体適合性試験計画（ISO 10993）
どの生物学的評価試験が必要かを決定することは複雑です。
最適モデル： Claude（規格への厳格な準拠）またはGemini
[組織タイプ、例：循環血液]と[接触期間、例：永久的]接触する[デバイスタイプ]を開発しています。
ISO 10993-1ガイドラインに基づいて、このカテゴリに必要と思われる生物学的評価試験の概要を示してください。
この特定の接触タイプに対して、各試験（例：細胞毒性、血液適合性、感作性）が必要な理由の簡単な根拠を提供してください。
効果： CRO（受託研究機関）に依頼する前に、生物学的評価計画が包括的で国際規格に沿っていることを確認するチェックリストとして機能します。
8. 根本原因分析（フィッシュボーン/石川図）
デバイスの検証が失敗した場合、構造化された調査方法が必要です。
最適モデル： DeepSeek（分析的推論）
[デバイスコンポーネント]で[故障を説明、例：シールが高圧で漏れる]という故障が発生しています。
品質エンジニアとして行動してください。5Whyとフィッシュボーン（石川）図カテゴリ（人、機械、材料、方法、測定、環境）を使用して根本原因分析を実施してください。
根本原因に対する3つの異なる仮説を提供し、各仮説に対する検証試験を提案してください。
効果： トラブルシューティングプロセスを体系化し、症状の観察から実行可能な工学的調査へと迅速に移行させます。
9. ソフトウェア設計記述（SDD）アウトラインの生成
医療機器ソフトウェア（SaMD）では、文書はコードと同じくらい重要です。最適モデル： ChatGPTまたはClaude
IEC 62304に準拠したモバイルヘルスアプリケーションのための包括的なソフトウェア設計記述（SDD）文書のアウトラインを作成してください。
このアプリはBluetoothセンサーに接続し、データをクラウドにアップロードします。
以下のセクションを含めてください：
- ソフトウェアアーキテクチャ（高レベル）
- モジュール分解
- インターフェース設計（内部および外部）
- データ構造とデータベース
- サイバーセキュリティ対策（暗号化、認証）
効果： SaMDの規制承認に必要な厳格なアーキテクチャ基準を満たすソフトウェア文書を保証します。
10. 市販後監視（PMS）クエリ生成
発売後のデバイス性能の監視は義務です。これは自動化された検索戦略の設定を支援します。
最適モデル： Gemini（検索ロジックに優れる）またはDeepSeek
[デバイスタイプ]の市販後監視戦略を設定する必要があります。
MAUDE（FDA）、EUDAMED、医学文献（PubMed）などのデータベースで使用するブール検索文字列のリストを生成してください。
キーワードは以下をカバーする必要があります：
- デバイスブランド名：[名前]
- 汎用デバイスタイプ：[タイプ]
- 一般的な有害事象：[潜在的問題をリスト、例：感染、骨折、発熱]
- 競合デバイス：[競合他社をリスト]
効果： 関連のないノイズに溺れることなく、関連する有害事象データと文献参照を確実に捕捉することで、監視活動を最適化します。
プロのヒント：コンプライアンスチェックを連鎖させる
規制文書の信頼性を最大限にするために、プロンプト連鎖を使用してください。まず、AIに草案を生成させます（例：プロンプト＃4を使用）。次に、新しいインタラクションまたは後続のプロンプトで、AIに「FDA監査官として行動する」よう依頼し、コンプライアンスや論理のギャップを特に探して、まさに生成した草案を批判させます。この敵対的アプローチは、単一パスの生成では見逃す可能性のある弱点をしばしば明らかにします。
生体医工学の成功には、イノベーションと厳格な安全基準のバランスが必要です。これらのプロンプト構造を日常のワークフローに統合することで、文書作成と初期草案作成の単調な作業を効果的にAIにオフロードできます。これにより、最終的に患者の転帰を改善し、命を救う複雑でハイステークスの工学的意思決定に集中するための精神的余裕が生まれます。