EEG biomarker startups
▼概要
EEG biomarker startupsは、EEGデータを用いて疾患の診断、予後予測、治療反応予測を行うデジタルバイオマーカーを開発・商用化するスタートアップ群である。
特に精神疾患領域では、客観的指標の欠如という構造的課題を解決するアプローチとして注目されている。
▼主なユースケース
診断補助:
うつ病・ADHD・てんかんなどの識別
治療反応予測:
薬物療法・TMSの効果予測
モニタリング:
症状変化・再発リスクの追跡
臨床試験:
バイオマーカーとしてのアウトカム指標
▼代表的プレイヤー
Alto Neuroscience:
EEGベースで抗うつ薬反応を予測（precision psychiatry）
Beacon Biosignals:
EEG解析×機械学習で脳状態を定量化
Neuroelectrics:
EEG＋脳刺激（tDCS/TMS）統合
Kernel:
脳計測ハードウェアとデータプラットフォーム
▼技術スタック
データ取得：EEG devices
特徴抽出：signal processing
モデル：Machine Learning
アウトプット：Digital Biomarker
▼強み
低コスト:
fMRIに比べ導入容易
可搬性:
在宅・リモート利用が可能
スケーラビリティ:
大規模データ取得に適する
▼課題
ノイズ・再現性:
測定環境依存性が高い
標準化不足:
プロトコル・解析手法のばらつき
解釈性:
臨床現場での理解・信頼性
規制:
SaMDとしての承認ハードル
▼市場・産業構造
アカデミア発技術のスピンアウトが中心
単体アルゴリズムからプラットフォーム化へ移行中
製薬企業・医療機関との連携が重要
▼競争軸
精度:
予測性能（AUCなど）
データ量:
縦断データ・臨床アウトカム
実装性:
臨床フローへの組み込みやすさ
統合度:
治療（TMSなど）との連携
▼VC視点での論点
コモディティ化リスク:
EEG＋ML単体では差別化困難
Moatの源泉:
治療アウトカム付き縦断データ
勝ち筋:
特定治療と強く統合されたプロダクト（例：TMS最適化）
非自明ポイント:
アルゴリズムではなく「データ取得設計」が差別化要因
投資機会:
・precision psychiatry
・neuromodulation最適化
・データ統合プラットフォーム
▼参照
Topol EJ (2019) Nature Medicine
Insel TR (2017) NPJ Digital Medicine
各社公式サイト・公開資料