AI赋能临床试验：在启动前构建更优的试验方案

药物研发本质上是一项高风险的工作，目前进入I期研究的药物平均获批概率仅为6.7%。虽然这在很大程度上可归因于疗效不足，但临床试验设计不佳以及患者招募和留存方面的挑战等因素也会导致重大阻碍。

同时，研究的复杂程度不断提升，技术的进步意味着我们现在能够收集到前所未有的海量数据，III期研究现在平均产生590万个数据点，比十年前增长了283%。

在这样的背景下，人工智能（AI）正在改变临床开发的方式。申办方不再基于机构惯例和陈旧流程来设计试验，而是通过对未来最有可能成功的方案进行建模，从而降低风险、加快时间表并推动创新。

转向预测建模

AI驱动的模拟和预测建模已成为一个转折点。虚拟双胞胎技术使团队能够提前优化方案设计、测试入选标准、招募假设、退出风险以及试验点表现。虚拟双胞胎这一概念源于产品生命周期管理，历史上曾应用于设计飞机等复杂产品。同样，临床研究中的虚拟双胞胎是整个试验的数字模型，结合数据与知识，使设计选择（如优化方案设计）能够更早地进行测试。

从入选标准、研究目标和终点，到活动安排，临床和运营团队可以预先估计潜在结果，例如某个国家应招募的患者数量或患者退出的风险。通过降低复杂性、预判成本增加以及减轻运营失败的风险，这些团队能够在任何一名患者入组之前就应对可预防的延迟原因。虚拟双胞胎使临床项目和研究能够从静态规划更接近结构化的现实情况。

近期研究表明，从历史临床试验和真实世界数据中提取的高保真、适配用途的数据集可以可靠地用于构建外部对照组，从而支持肿瘤学领域的证据生成。在一些晚期神经系统研究中，模拟方法已被用于将对照组规模缩减多达33%。对患者而言，这具有变革性意义，因为对照组人数减少后，更多参与者能够使用试验药物，进而获得可能改变命运甚至挽救生命的治疗机会。

尽管结果因治疗领域而异，但显而易见的是，试验设计正在成为一种可以在患者入组之前进行测试和改进的过程。

这也改变了应对低效率的方式。长期以来，研究中期的方案修订一直是导致延迟、成本增加和患者负担的主要来源。预测建模使团队能够在实施前对这些变更可能产生的影响进行基于场景的风险评估，从而减少研究中期变更的需求，并提高决策的信心。

对患者和申办方的影响

随着AI工具的快速发展，AI驱动成果的质量与临床数据交易在各类系统中的数据量、碎片化程度以及所融入知识密切相关。试验现在产生大量患者和研究数据；然而，这些信息中的许多在过去很难相互关联。

AI使这些数据集能够被整合、用行业标准加以丰富并共同分析，从而改善预测、可行性规划和研究执行决策。这一好处已经在整个行业中显现，许多临床试验负责人已经在使用或积极探索AI，并报告在设计和运营效率方面取得早期成效。

在此背景下，许多公司专注于将AI应用于整个临床生命周期，利用大规模、高保真的临床数据集来改善患者、申办方和合同研究组织（CRO）的结果。重点不仅在于更快地分析数据，还在于提升影响力，使其在决策的关键时刻具备可操作性。

对患者而言，更准确的入选标准减少了不必要的筛查，更好的预测提高了试验点的准备程度，数字工具减轻了患者负担，使参与试验更加便利。此外，可穿戴设备和远程监测使患者能够在参与试验的同时最大限度减少对日常生活安排的干扰，从而获得更能反映真实生活的数据。

对申办方和CRO而言，这些相同的能力降低了低效率、提高了可预测性，并限制了会打乱时间表和研究运营的高成本修订。

更多变革即将到来

展望未来五到十年，临床项目可能会变得更具适应性，通过在入组前对患者群体和行为进行建模的环境来实现这一点。这些模型将在整个试验过程中随着新数据的收集不断被完善，帮助申办方将预测结果与实际结果进行比较，并在出现问题时更快做出响应。试验将持续演变，在整个生命周期中变得更加灵活和数据驱动。

预计这一转变将通过提前识别问题来提高患者招募效率、降低后期失败率并缩短整体药物研发时间表。

在此背景下，监管环境正变得更加细致复杂。一些地区的数据主权要求现在规定临床数据必须留在国境之内。因此，各组织和申办方正在为其试验设计、基础设施和分析采取更具适应性的方法。

因此，申办方和CRO需要在利用AI获得的速度和效率与满足全球不同监管要求所需的灵活性之间取得平衡。

在这一转型过程中，信任始终至关重要。AI系统的可靠性取决于其所训练的数据和知识。代表性方面的偏差或缺口可能影响结果。因此，拥有大量历史数据储备，以及有效利用这些数据的知识和经验，对于成功执行试验并生成准确结果至关重要。

从探索到执行

生命科学行业正在经历一场关于研究方式的结构性变革。AI正从实验阶段迈向执行阶段，重塑试验的设计和交付方式。然而，值得记住的是，最重要的变化并非技术本身，而是它所带来的思维方式的转变——从被动纠正转向预测性设计。

随着这一转变加速推进，成功与否将取决于该行业能否有效地将AI、数据、知识和监管策略整合为一套连贯的方法，从而更快地为患者带来更好的治疗方案。

关于作者

乔什·哈特曼（Josh Hartman）是Medidata平台AI高级副总裁。他在数据和AI交叉领域拥有超过二十年的经验，开发了多项优化临床开发决策的先进解决方案，并持有多项专利。

Q&A

Q1：AI在临床试验设计中主要发挥什么作用？

A：AI通过虚拟双胞胎技术和预测建模，帮助团队在患者入组前就优化方案设计、测试入选标准、评估招募假设和退出风险，从而降低试验失败风险并加快研发进度。

Q2：虚拟双胞胎技术具体能带来哪些好处？

A：虚拟双胞胎能提前预估患者招募人数、退出风险等结果，帮助团队在患者入组前规避可预防的延迟因素，部分晚期神经系统研究显示该技术可将对照组规模缩减多达33%，让更多患者用上试验药物。

Q3：AI应用会给临床试验中的患者带来哪些实际改善？

A：更准确的入选标准能减少不必要的筛查，更好的预测可提高试验点准备程度，数字工具及可穿戴设备、远程监测则能减轻患者负担，让参与试验更便利，同时获得更贴近真实生活的数据。