食物アレルギーの確定診断は今も経口負荷試験（OFC）が基準。少量から段階的に食べさせ数時間観察する検査で、アナフィラキシーのリスクと人手・時間の負担が大きく、実施枠は限られる。特異的IgE・皮膚プリック・コンポーネント（Gal d 1、ω-5グリアジン、Ara h 2 等）は反応性と相関するが、現場は各項目を個別カットオフで眺め「出る／出ない」に丸め、『どれだけ食べたら出るか（誘発閾値）』という連続量を捨てている。
分子感作プロファイル（各コンポーネントのIgE量と組合せ）と臨床情報を統合すれば、OFCの陽性／陰性だけでなく誘発閾値の分布まで個別推定できる、と仮説する。既存のML研究はOFC陽性／陰性の判別（報告でAUC 0.91〜0.96）が中心で、閾値そのものの個別予測や、欧米と構成が異なる日本のアレルゲン（卵・乳・小麦が主体）での検証は手薄——ここが新規性。
誘発閾値は「ある量で陰性、次の量で陽性」という区間打ち切りでしか観測されず、コンポーネント間の非線形な相互作用と大きな個人差が絡む。生存時間解析×多項目の表現学習で「感作の分子像→反応閾値」という写像を学ぶのは、単純な回帰では届かずAIの必然。
明らかに陽性／陰性の子はOFCを省き、判断に迷う子へ検査資源を集中する「OFCトリアージ」。誤食時の重症化説明や、加工食品の注意喚起表示（コンタミ表示）の閾値設計にも波及しうる。Hiro自身が小児・アレルギーを学ぶ医学生＝当事者で、検査現場の負担と判断の機微を知る強み。