Nat. Biotechnol. | 临床试验走向智能化

随着全球各国政府逐步在医疗领域拥抱人工智能（AI），临床试验也正迈入一个全新的阶段——更快速、更智能、更具包容性。各国监管机构正在加快步伐以适应新兴技术的发展，人工智能已不再只是一个遥远的愿景，而是正在重新塑造临床试验设计、执行与分析方式的强大工具。

人工智能已经彻底革新了药物发现领域，越来越多由 AI 发现的药物正进入临床试验阶段，其第一阶段试验的成功率高达 80–90%，远高于业内平均的约 40–65%。AI 显著加速了药物研发流程，将传统上需要 10–15 年的周期压缩至短短 1–2 年，且成本大幅降低。无论药物是通过何种方式设计生成，最终都必须经过临床试验这一关卡，而临床试验的复杂度与成本正不断上升。现有的试验流程难以跟上发现速度，亟需技术从根本上改变临床试验的运行方式，而 AI 正是实现这一变革的关键力量，全球监管机构也对此持支持态度。

从早期信息收集阶段，到数据最终分析和结果报告，AI 几乎可以覆盖临床试验流程的每一个环节。大型语言模型（LLMs）可帮助研究人员与监管机构收集相关文献与电子健康记录，用于早期试验设计，也能在极短时间内生成试验协议模板并总结最终试验报告，效率远胜人工。

今年早些时候，美国食品药品监督管理局（FDA）发布了支持监管决策中使用 AI 的草案指导方针。与此同时，FDA 正在精简人员并逐步远离传统动物模型，开始着力发展 AI 技术，以尽可能提升临床试验的效率。去年，美国国家卫生研究院（NIH）推出了 TrialGPT，用于将患者与相关临床试验进行匹配。更近期，FDA 启动了其专属的大型语言模型 Elsa，用于帮助员工加快审查临床方案、缩短科研评估时间，并协助结果总结。该机构已表达出将此工具扩展至更多数据处理任务的浓厚兴趣，尽管目前尚不清楚 Elsa 的具体表现、使用频率及工作人员的培训情况。这类工具的准确性至关重要：若模型出现“幻觉”导致报告失误，可能对试验解读造成严重影响。因此，这些 LLM 可能需要与较小规模的统计模型以及人工监督共同配合，才能达到全面的准确性。

在临床试验设计阶段，AI 有望解决一些最具挑战性的难题：优化招募对象及招募地点可以显著节省时间和成本。AI 工具正被用于预测临床试验结果、筛选受试者、生成终点与排除标准。通过挖掘多样化数据集，AI 还可以帮助确保试验的多样性，并识别出最有招募潜力的试验中心。

更进一步，AI 甚至有可能在某些环节“替代”患者。医学数字孪生是一种个体或疾病轨迹的虚拟模型，基于医疗记录与大规模生物数据集训练，可用于疾病的预测、预防与治疗。某一特定患者的数字孪生可以模拟对数千种药物的反应，从而减少实际入组人数。不过，这项技术目前在精度上仍未成熟，广泛部署还需依赖单细胞组学与群体纵向数据的积累。一些公司，如 Unlearn.ai，正致力于为每位受试者建立数字孪生模型，并已获得欧洲药品管理局批准其用于第 2 和第 3 阶段试验，同时也符合 FDA 的临床试验标准。

尽管数字孪生在未来五年内可能随着纵向数据集的出现而变得更加普及，但 AI 生成的“合成对照组”预计将更早产生影响。合成对照组是基于真实世界数据，通过统计方法调整生成，匹配试验群体的关键特征。该概念虽已存在多年，并取得一定初步成果，但近年来随着电子健康记录数据质量提升及监管机构的逐步认可，技术终于迎来了实际应用的转折点。

此外，AI 还可以在提升临床试验运行效率方面发挥作用。AI 算法能够分析中期试验数据，并利用强化学习或自适应设计机制动态调整剂量、样本数量等参数。它们还能优化受试者筛选标准，帮助更快速识别有效或无效治疗手段。实时分析功能还能在早期发现潜在安全隐患，降低长期风险。然而，自适应反馈设计也可能增加引入偏倚的风险，因此这些新技术在广泛应用之前仍需更多的技术优化。

尽管这些 AI 技术已经存在多年，但直到现在才真正被制药公司、合同研究组织和监管机构广泛重视。初创公司正积极与大型药企合作，而后者也有动力在药物上市的各阶段采用 AI。大多数初创公司专注于临床试验流程中的某一环节，如 ConcertAI 可用于优化入组标准；BioPhy 旨在模拟试验结果；而如 Keiji AI 的公司则尝试同时覆盖数据分析、试验设计和语言处理等多个环节。

AI 是否真的能提升临床试验的整体成果，目前仍未可知。尽管已有局部证据显示 AI 可简化部分流程，例如 Trial Pathfinder 项目显示，通过优化筛选标准，AI 可使合格受试者人数翻倍，但要实现真正的临床突破，还需依赖这些算法具备实时监测结果、动态调整试验方案、精准匹配受试者与试验及优化终点的能力。为实现这一目标，公众的信任至关重要，未来也必须持续推动 AI 的可解释性与透明度建设。

整理 | WJM

Clinical trials gain intelligence. Nat Biotechnol 43, 1017–1018 (2025). 

https://doi.org/10.1038/s41587-025-02754-1