AI盯上患者招募

人工智能在制药领域的应用愈演愈烈，其覆盖范围也在不断拓宽。

此前，市场的关注重点集中在分子层面，例如哪家企业借助AI发现了高潜力的候选化合物，或者哪家将先导化合物的发现周期缩短了一半。

作为创新药物的源头，分子发现无疑是核心战场。然而，制药不仅涉及分子筛选，还包括临床验证。在临床试验环节，AI同样具有巨大潜力。患者招募、试验设计优化等领域，已吸引了大量参与者。

10月20日，阿斯利康与甲骨文宣布合作，再次将AI聚焦于临床环节：如何精准找到合适的患者，从而更高效地推进试验？

01

打开临床试验患者招募的大门

阿斯利康并不缺乏AI能力。其与甲骨文的合作，并非为了弥补AI制药方面的短板。

根据公开信息，其目标是“利用现代化应用和AI提升临床试验的效率和成功率”，适应症涵盖肿瘤、罕见病，以及心血管、肾代谢、呼吸和免疫领域。

换言之，它希望将AI引入临床中最难攻克的一环：患者招募。背后的逻辑不难理解，临床试验招募是新药研发中最复杂的流程之一。

首先是效率问题。在传统临床试验中，一名协调员可能需要翻阅50到100份病历，才能筛选出一位符合条件的患者。这直接导致了周期延长。

其次是成功率难题。许多患者签署了知情同意书，最终却卡在入排标准上。印度塔塔纪念中心一项对7481名筛查患者的审计显示，筛败率高达51.0%。

这意味着，临床试验受阻不仅因为找不到足够多的患者，更因为找不到合适的患者。美国FDA 2025年关于真实世界证据的报告中提到，在美国约4000项临床试验中，超过70%的潜在患者因入排标准而被排除在外。

正因如此，阿斯利康首席数字、数据与AI官Anne-Claire Gerbaldi指出，太多患者确诊太晚，或者需要长途跋涉才能获得所需的照护。

02

效率提升与成本降低，证据日趋增多

当然，AI改变临床招募效率和成功率的尝试并非新鲜事。从全球范围看，不仅参与者众多，而且可行性证据也在积累。

例如，美国国立卫生研究院团队开发的TrialGPT，是一个利用大语言模型进行患者-试验匹配的系统。在对183名合成患者和7.5万余条试验标注的评估中，匹配准确率达到87.3%。Jin等人2024年发表在《自然·通讯》上的研究显示，人类专家的准确率在88.7%至90%之间，两者几乎持平。

更关键的是速度。同一项用户研究中，使用TrialGPT的医生，筛选时间比手动筛查缩短了42.6%，且准确性未受影响。

类似思路已落地为产品。myTrialsConnect利用生成式AI自动审阅病历、比对入排标准，为患者建立“虚拟候诊室”；NLP工具可在几分钟内对成百上千名候选人进行预筛选，将原本需一周的工作压缩至几小时。

在医院场景中，数据更为具体。《自然综述·临床肿瘤学》2026年发表的一项研究显示，MatchMiner等工具将单个患者的筛选时间从110分钟降至24分钟，部分工具的效率提升超过90%。

在MediSearch 2026年的基准测试中，数字化招募渠道带来的入组速度是传统方式的2至3倍。

波士顿的真实世界数据平台Celvion，其切入点是利用NLP处理传统RWD平台无法触及的非结构化文本，例如病理报告中的自由文本、医生手写的随访笔记，甚至患者论坛上的自述症状。

根据其披露的基准测试，在相同的实体瘤患者分型任务中，模型识别出的亚群数量是传统统计方法的3倍以上，且这些亚群在生存曲线上的分离具有统计学显著性。

变革正在发生。这种情况下，更多药企自然会加入这一战场。

03

追求速度、精准与优化并行

回归真实世界逻辑，在患者招募环节，效率并非唯一考量因素。

MatchMiner的通知式干预在实际部署中，未能显著提升整体入组率；威斯康星医学院在落地OncoLLM-CW后，协调员的工作时间确实缩短了，但AI匹配出的候选人，经人工复核后被大量排除。

根本原因在于，出行障碍、名额限制、患者意愿、医生判断等因素，算法暂时无法替代。

这必然会推高直接临床成本。筛败的代价高昂，因为患者的检查、化验、影像已进行，协调员和研究者的时间已投入，最终却未转化为可用数据。行业普遍估算，每次筛败的成本约为1200美元。

更完整的账目来自Tufts CSDD：招募一名受试者平均需6533美元，替换一名中途退出者需19533美元。

当然，相比筛败，更重要的是临床成功率能否提升？

临床入组患者的识别很重要，部分AI企业希望带来改变。但在晚期非小细胞肺癌、复发难治多发性骨髓瘤等一些实践结果显示，基于AI工具，患者入组效率提升了，患者也更符合入组标准，但生存结局的风险比并未明显改变。

技术最终服务于结果。如何借助AI提升临床端的效率和成功率，显然是所有入局者需要持续思考的问题。

本文来自微信公众号“氨基观察”（ID：anjiguancha），作者：郑晓，36氪经授权发布。