夜雨聆风
AI在临床试验中的发展创新与实践应用 | AI临床试验管理
本
文
目
录
1、FDA采访稿：AI在临床试验中的发展与运用
2、终于有人把AI+临床试验讲清楚了
3、AI助力新药临床试验丨国内16家企业抢先布局，最新技术盘点！
4、Nature | 探索AI在临床试验中的创新应用：从试验设计、患者招募维护到数据管理分析
一、FDA采访稿：AI在临床试验中的发展与运用
（临研花栗鼠 临研花栗鼠）
FDA官网有一个栏目是“
Q&A with FDA Podcast”，而AI是各行各业近期非常热门的话题，包括中国药监局前段时间也发表了一篇AI使用场景清单的通知。2024.5.8 FDA分享了一篇对FDA官员关于AI在临床试验中的发展与运用的采访稿。
以下提炼出采访的精华内容：
FDA与AI现状
这实际上是一个非常令人兴奋的领域！在过去几年中，FDA看到涉及AI的递交数量（IND或NDA）迅速增长。当这些申请涉及 AI 时，它并没有告诉我们 AI 的使用有多深入或复杂。尽管如此，我们已经看到关于AI的申请迅速增长。实际上，从2016年到今天，FDA收到了大约300份涉及AI使用的申请。这些提交的内容横跨了药物开发的全流程，从药物发现到临床研究，包括上市后药物警戒，甚至生产制造。
我们还在努力更好地了解在任何特定环境中使用人工智能与参与者安全和研究结果可靠性之间的关系。这些是我们必须注意的两大支柱，即安全性和结果可靠性。
人工智能的使用，包括促进数据收集，这与强大的信息管理相结合；我们近年来越来越多地看到先进的计算能力正在真正改变药物的开发和使用方式，因此我们对这一领域感到非常兴奋。
AI在临床试验的应用
我们在FDA的主要目标之一是真正推进临床试验的现代化。临床试验本身是证据生成的基石，我们依赖它们，我们必须继续使它们更加敏捷、包容和创新。我们可以围绕临床试验进行其他多个领域的创新。
因此，在过去的几年里，希望每个人都注意到FDA的指导原则，例如，关于去中心化临床试验或DCT、数字健康技术或 DHT、现代GCP指南，以及许多其他领域。这些领域有望启动新一代的临床试验，在设计方面和执行方面都实现现代化。
人工智能本身正在被利用——实际上它被用来分析大量来自临床试验和观察性研究的数据，它的用途实际上是帮助论证被评估药物的安全性和有效性。人工智能还有可能为临床试验的设计和效率提供信息，包括在去中心化临床试验中。人工智能在试验中的使用潜力，包括使用真实世界的数据，这对我们来说是另一个真正重要的话题。例如，人工智能在从电子健康记录（EHR）和医疗索赔以及其他数据源中提取和组织数据方面具有巨大的潜力，这些数据源往往是有价值的，有时是非结构化的。因此，人工智能有很大的潜力在这里全面帮助我们。
DCT与DHT的结合
首先要提两点。去中心化设计和数字健康技术的使用在简化临床试验方面具有巨大潜力，同时也在扩大试验范围和减轻参与者负担方面具有巨大潜力。例如，我们真的希望这些设计和工具能够帮助我们到达农村社区。
也就是说，DCT 和 DHT 本身并不是灵丹妙药，应该进行评估，看看它们是否切合目的(fit for purpose)，同时考虑临床试验的总体背景、干预类型和所涉及的人群等因素。举个例子，我们不应该真正假设病人的偏好是什么。有些患者可能希望让医疗保健提供者（HP）上门，有些人则不愿意。因此，我们应该尽职尽责地了解这些设计如何并且能够被纳入试验环境中。
另一点是，许多DHT显然是便携式仪器，例如活动追踪器，血糖监测仪，血压计，肺活量计，它们包含电子传感器、计算平台和信息技术等先进技术。因此，在考虑使用这些工具时，我们必须考虑所有这些因素（是否切合目的(fit for purpose)、临床试验的总体背景、干预类型和所涉及的人群等）。
DHT还包括交互式移动应用APP。例如，参与者可以评估他们的生活质量，对疼痛、抑郁、日常功能进行评分，甚至可以对功能表现进行测试，例如认知、协调、视力等。
许多 DHT 可能会被佩戴，例如植入、摄入或放置在环境中。这是一个非常关键的点，因为当我们想到DHT时，很多时候我们会想到可穿戴追踪器，但远远不止于此。将这些 DHT 放置在特定环境中，并允许从试验参与者的家中和其他位置实时收集数据，这些位置远离研究中心，可以帮助收集患者健康状况和提供医疗保健信息的真实世界数据。实际上，你会得到更多的整体信息，而不是对患者行为或信息输入进行孤立的审查。
我（受访者）热衷的一个领域是，我们如何利用技术来帮助招募和留住试验参与者，以及以对用户更友好和有意义的方式向参与者解释试验过程。要知道，临床试验失败的关键原因之一是缺乏招募。因此，能否利用这些工具在这方面做得更好是我们非常感兴趣的。
AI可以真正造福临床试验和药物开发。以 DHT 为例 – 可以实现对临床特征的连续或频繁测量，甚至测量新的临床特征。这些通常无法在传统的研究访视中收集，因为您需要前往中心。从这个意义上说，DHT 可以实现更多功能，可收集更全面的数据。
这些通常是我们越来越多看到的最先进的数字健康技术。它们允许参与者自己远程参与临床试验，因此可以看到他们如何自然地适应去中心化临床试验。例如，您可以通过使用这些在任何临床试验之前从未使用过的工具真正接触到社区。通常，这些社区也承受着巨大的疾病负担。
我们仍然需要避免这些新技术的华而不实。我们称它们为新工具，每个人都想成为这项创新的一部分。所以，我们必须真正避免这项新技术背后的浮华，首先要问的是 – 它们是否适合试验环境。举一个例子，在最近与学术专家的一次会议上，他们强调，技术的定制和融合也可能导致复杂性增加。我们倾向于认为这些工具可以消除复杂性，但我们真的必须从整体上考虑试验背景。
人工智能越来越多地融入FDA积极参与的领域
许多 DHT 都支持 AI，要么是 DHT 本身的嵌入式算法，要么是在收集数据后用于 DHT 生成的数据。因此，人工智能的利用实际上可以在这里的多个地方出现。
举个例子：人工智能已被用于预测慢性病的状态及其对治疗的反应，或识别潜在疾病的新特征，可用于分析大型和多样化的数据集。可以从持续监控中生成数据，例如，对参与者的持续监控。人工智能还可以用于一系列数据清理和管理目的，这在真实世界数据的背景下非常重要。例如，这可能包括识别重复参与、估算缺失数据值，以及在整个药物开发项目中协调受控术语的能力。
另一点是，人工智能还被用于分析从电子健康记录、医疗索赔和疾病登记等来源提取的大量真实世界数据。我们还看到人工智能被用于根据健康记录和索赔数据创建 EHR 表型或患者队列。
AI探索分享
例如，在预测建模或反事实模拟以及有机硅建模中使用人工智能来为临床试验设计提供信息正在积极探索中，我们对其中的潜力感到非常兴奋。
此外，用于改善临床试验执行和提高运营效率的人工智能也在探索中。正如我所提到的，使临床试验更加敏捷是一个关键方面。
我们已经看到人工智能被用于协助招募，并且正在真正被开发和使用，作为试验的一部分，更有效地连接个体。正如我们之前提到的，这可能涉及从不同来源挖掘大量数据，包括社交媒体、医学文献、注册登记以及电子健康记录中的结构化和非结构化数据。
因此，我认为所有这一切的关键是认识到潜力是巨大的，但背景很重要，深思熟虑在各个方面都是必不可少的。
人工智能对临床试验设计的招募和后勤方面的影响
多样性对我们来说是一个非常关键的方面，也是一个重要的方面。临床试验的多样性确实是一个复杂的问题，它将采取多方面的方法和解决方案，以帮助确保试验参与者反映最终将采取或使用干预措施的人群（如果获得批准）。
例如，人工智能可用于帮助选择研究中心。通过利用人工智能算法，可以优化试验操作行为，以帮助确定哪些研究中心最有可能成功招募（到参与者）。
它的使用还有助于加强选择研究中心，改进参与者招募策略，并支持更有针对性的入组计划。
人工智能已经被探索并用于部分临床研究，以根据基线特征预测个体参与者的临床结果。例如，这支持了我们的富集策略，我们有单独的指南；这种富集策略可以帮助临床试验的参与者筛选。
AI对传统临床试验设计的改变
如今，人工智能可用于表征和预测药代动力学特征。例如，在给药后，这些模型可用于优化任何选定研究中的剂量或给药方案。这确实是药物开发的重要组成部分。
人工智能可用于在临床试验期间监测和提高依从性。这可以通过智能手机警报和提醒、药物的电子跟踪、失访的临床访视跟进等工具来实现。所有这些都可以触发潜在的不依从警报，并希望为我们提供解决该问题的基本信息。
实际上，人工智能已经用于临床研究以提高药物依从性。具体来说，这是通过使用数字生物标记物、面部和声音表达等应用程序来远程监测依从性。学术界和业界正在开发一种特定的工具，以这种形式跟踪依从性。
这项技术有可能提高参与者保留率和拓宽参与者获取相关试验信息的渠道。这可以通过启用人工智能聊天机器人来实现，例如语音助手和智能搜索。所以，你可以尝试很多形式，其中的潜力真的非常大。
我想说的最后一点是，来自数字健康技术和其他系统的数据可用于开发参与者档案，从而可能预测退出情况，这将有助于保留参与者。所以，如果你知道有人可能会退出试验，你可以尝试采用一些方法来防止这种情况发生。
支持人工智能的算法能够检测体征和症状，以识别潜在的安全信号，并且可以实时完成，这又是真正强大的领域之一。人工智能还可用于预测临床试验参与者的不良事件，这是我们绝对有兴趣探索的领域。
使用这些技术的缺点和挑战
首先，用于训练 AI 模型的数据集的质量、大小和代表性存在差异。这可能会引入偏倚，并对 AI 驱动结果的可靠性提出质疑。负责任地使用 AI 要求用于开发这些模型的数据适合目的并适合使用，这是我们试图强调和澄清的概念。适合使用实际上意味着数据应该既相关又可靠。数据可能包括关键要素和足够数量的代表性参与者，并且数据是可靠的。我们所说的可靠是指准确性、完整性、可追溯性等。
另一个重要因素是，由于 AI 模型背后的计算和统计方法的复杂性，理解 AI 模型的开发方式以及它们如何得出结论有时可能非常困难。这可能需要或要求我们开始考虑有关透明度的新方法。
另一个因素是，所用模型中的不确定性有时可能难以解释、说明或量化，因此这需要我们以某种方式尝试找出如何采用基于风险的方法。如果可以的话，请深入研究一下如何以合理有效的方式做到这一点。
最后，一些人工智能模型面临的另一个挑战是，这些人工智能模型的性能可能会随着时间的推移而下降，特别是如果你考虑学习系统。在学习系统中，数据输入被引入，新数据被获取。然后输出可能会随着时间的推移而变化，那么我们如何确保不会看到这种滞后和性能（下降）。我认为这里被称为数据漂移概念。
FDA将如何克服这些挑战
在内部，FDA 已成立了一个指导委员会来提供建议，这些建议是关于 DHT 的一般用途或可行性以及 DCT 的实施。正如我所提到的，人工智能已被广泛使用。因此，我们正试图就这些技术和设计的使用提供参与和有意义的意见。为了吸引公众并听取外界意见，我们还举办了多个研讨会，宣布了示范项目，目标是推动和鼓励相互学习。
FDA 最近发表了一份讨论文档，标题是“使用人工智能和机器学习以及药物和生物制品的开发”，这确实是为了激发与公众的讨论。显然，我们在 FDA 有一些专家，但我们知道很多专家都在 FDA 之外。我们非常有兴趣学习并确保我们在法规方面制定的任何内容都能响应公众的需求，鼓励创新，同时保障患者安全。
我提到的这篇文章征求了针对我们看到的具体挑战的具体反馈，我们从公众收到了一些很棒的意见。因此，我们非常高兴能够真正确保我们将这些想法融入进未来的政策制定。
FDA非常有兴趣听取反馈，不仅是来自参与药物开发制药公司的反馈，还有来自伦理学家、学术界、患者和患者团体以及全球同行的反馈。我们意识到这项技术确实正在全球发展，希望通过全球参与来尽职尽责。
二、终于有人把AI+临床试验讲清楚了
（原创 智药局 智药局）
临床前阶段，AI已经参与到核心分子生成、虚拟筛选、ADMET预测的环节，但是很少有人谈及临床后AI的效用。
众所周知，临床阶段才是真正的药物杀手，成功率仅10%，同时带来的巨大成本也成为药企难以承受之重：统计显示，临床试验环节在整个研发周期中费用占比约80%。
由于研发在前期已经完成，临床阶段更偏向开发，除了合理设计试验之外，很大程度上还得“碰运气”。
该报告中，德勤对AI如何影响人工智能的临床试验做出了描述和展望。
一、为什么临床试验必须转变
传统的“线性和顺序”临床试验仍然是确保新药疗效和安全性的公认方式。然而，用于测试大众市场药物随机对照试验（RCTs）近几十年来变化不大。
图：传统制药流程 来源：德勤
随机对照试验缺乏开发针对较小且通常异质的患者群体的复杂新疗法所需的分析能力、灵活性和速度。
此外，患者选择、招募和留存欠佳，加上难以有效管理和监测患者，导致试验失败率高，增加了研发成本。
药物的临床开发成功率仅有10%，有着极高的失败率，拉高了药物研发的门槛。
二、人工智能对临床试验过程的影响
在过去几年中，生物制药公司已经能够从各种来源访问越来越多的科学研究数据，统称为真实世界数据（RWD）。
例如Truveta和辉瑞合作获取超过5000万患者的完整电子病历数据；另外赛默飞9亿美元收购真实世界数据公司CorEvitas；近年来市场上也涌现了一批真实世界数据公司。
然而，药企往往缺乏能够有效利用这些数据的技能和技术。使用预测性 AI 模型和分析工具解锁 RWD 可以加速对疾病的理解，确定合适的患者和关键研究人员，为选址提供信息，并支持新颖的临床研究设计。
人工智能算法与有效的数字基础设施相结合，可以使连续的临床试验数据流得到清理、汇总、编码、存储和管理。
此外，电子数据采集（EDC）还应减少数据收集中人为错误的影响，并促进与其他数据库的无缝集成。
因此，采用人工智能技术正成为一项关键的业务要务：具体表现在以下方面。
图:人工智能在临床试验中的应用 来源:德勤
临床试验设计
生物制药公司正在采用一系列策略来创新试验设计。越来越多的科研数据，如当前和过去的临床试验、患者支持计划和上市后监测，为试验设计注入了活力。人工智能技术在收集、组织和分析临床试验产生的越来越多的数据（包括失败的数据）方面具有无与伦比的潜力，可以提取有意义的信息模式来帮助设计。
患者招募和入组
影响临床试验效率的核心因素之一难以招募到合格的受试者。随着国内临床试验指南不断完善，方案设计越发严谨，对于受试者的招募工作和手段都提出了挑战。
人工智能支持的数字化转型可以通过挖掘、分析和解释多个数据源（包括电子健康记录 、医学成像和“组学”数据）来改善患者选择并提高临床试验有效性。FDA发布了指南，确定了三种策略，以帮助生物制药行业改善患者选择并优化药物的有效性，所有这些都可以从AI技术中受益。
例如此前获得1.5亿美金的B轮融资的Iterative Scopes，通过AI视觉分析，在 IBD 临床试验中帮助医生制定患者招募条件，此外通过整合多项数据，公司帮助医药公司加快临床研究进程，目前已经和辉瑞达成合作。
研究者和研究中心选择
临床试验最重要的方面之一是选择功能强大的研究者研究中心。站点质量，如行政程序、资源可用性、对疾病有丰富经验和理解的临床医生，都会影响研究时间表以及数据质量和完整性。人工智能技术可以帮助生物制药公司确定目标地点、合格的研究人员和优先候选人，以及收集和整理证据，以使监管机构确信试验过程符合良好临床实践要求。
患者监测、药物依从性和保留
在临床试验中，需要记录下大量关于患者的药物摄入、身体功能以及对于药物反应的记录，以及各项数据检查等，这些工作非常繁重且复杂。但整个过程仍然需要大量的人力资源及时间损耗。
人工智能算法可以通过自动化数据采集、数字化标准临床评估和跨系统共享数据来帮助监测和管理患者。人工智能算法与可穿戴技术相结合，可以实现持续的患者监控和对治疗安全性和有效性的实时洞察，同时预测退出的风险，从而提高参与度和保留率。
治疗效果需要80%以上的依从率。在美国，高达 50% 的处方药物服用方式不正确。临床研究申办者正在投资新兴技术，以尽量减少不依从性。
一些初创公司正在提供药物管理的视觉确认。例如，一些平台使用交互式医疗助理（IMA）根据视觉数据收集来识别存在不依从风险的患者。患者用手机拍摄自己吞服药丸的视频，以便平台确认正确的人服用了正确的药丸。
使用运营数据推动支持 AI 的临床试验分析
当前临床试验仍然涉及许多高度手动的过程。传统的试验设计仅限于当今环境的需求，企业必须处理碎片化的数据。人工智能能够处理来自各种来源的大量结构化、半结构化和非结构化数据输入，并将它们统一为一个数字来源。
结合自学系统（旨在随着时间的推移改进预测和处方）与数据可视化工具相结合，可以主动为用户提供可靠的分析见解。
已经有有非常多AI赋能临床的公司选择在这个环节发力，国内的太美医疗、耀乘健康，海外的uMotif、MENEDL等公司都受到了资本的支持。
数字孪生技术用于临床试验
数字孪生是生物实体的副本，例如细胞、器官或人。这种数字复制品允许研究人员实时观察患者，同时模拟和预测临床试验中患者的不同临床结果。
其优势在于通过获取历史患者数据并创建“数字双胞胎”，然后在接受对照治疗或安慰剂时预测患者的病程。帮助制药商和学术研究人员完成临床试验，同时减少总体参与者的数量。
该领域进展最快的公司是Unlearn.ai，通过将经典机器学习和生成式人工智能的结合，用来模拟临床试验并减少试验规模。
2022年9月，Unlearn宣布欧洲药品管理局(EMA)对其平台已发布最终有利的资格意见，并且“拟议的程序可以提高 2 期和 3 期临床试验的功效和/或减少样本量，持续的成果。”标志着这项工作在一定程度上获得了EMA的肯定。
三、未来的临床试验
在接下来的很长一段时间，RCTs仍然是验证新化合物在大量人群中的疗效和安全性的金标准。
然而，生命科学和医疗保健行业正处于大规模颠覆的边缘，大型科技公司和初创公司正在共同为未来更快、更有效的临床试验奠定基础。
这是由可互操作的数据、开放和安全的平台、消费者驱动的护理以及从医疗保健到健康的根本转变所驱动的。
全球监管机构已经发布了指南，鼓励生物制药公司使用真实世界数据。使用真实世界数据的创新试验可能会通过定义新的，以患者为中心的终点在监管过程中发挥越来越大的作用。
未来，人工智能，加上增强的计算机模拟和个性化医疗的进步，将导致计算机试验，在药物的开发或监管评估中使用先进的计算机建模和模拟。
虽然人工智能尚未被广泛采用并应用于临床试验，但它有可能改变临床发展。人工智能的应用可能会导致更快、更安全、更便宜的临床试验。人工智能改善患者体验的潜力也将有助于实现生物制药的雄心壮志，即在整个研发过程中更充分地嵌入以患者为中心。
参考链接：https://www2.deloitte.com/us/en/insights/industry/life-sciences/artificial-intelligence-in-clinical-trials.html
https://www.sciencedirect.com/science/article/pii/S0165614719301300?via%3Dihub#s0035
三、AI助力新药临床试验丨国内16家企业抢先布局，最新技术盘点！
（精驰 GCP）
烧钱如流水，成功率堪比买彩票？AI能拯救新药研发吗？
想象一下，你是一位身患重病的患者，听说有一种新药正在研发中，有望治愈你的疾病。你满怀希望地报名参加了临床试验，却在漫长的等待和繁琐的流程中耗尽了时间、金钱，甚至希望……
这并非危言耸听，而是无数患者和药企正在面临的残酷现实。新药研发，这个被称为“烧钱游戏”的领域，成功率之低，堪比买彩票。据统计，约有90%的药物会在临床试验阶段折戟沉沙，巨额的研发成本付诸东流。
一、AI神兵天降，还是炒作噱头？
面对传统临床试验的低效和高成本，AI技术犹如一缕曙光，为新药研发带来了新的希望。从辅助临床试验设计、提高患者招募效率，到预测临床试验效果，AI正试图用算法和数据的力量，改写新药研发的游戏规则。
1. 精准狙击，AI助力患者招募
传统的患者招募方式，如同大海捞针，效率低下。而AI技术则可以利用自然语言处理、机器学习等技术，快速识别和匹配患者信息与临床试验入组标准，将合适的患者“精准”送达。
例如，美国企业Owkin利用联邦学习开发的机器学习模型，可以从成像、基因组学和临床数据中识别新的生物标志物，从而识别出对新药反应最好的患者。
2. 运筹帷幄，AI预测临床试验效果
过去，预测临床试验效果如同“雾里看花”，充满了不确定性。而AI技术则试图利用深度学习等技术，构建复杂的模型，模拟不同的临床试验因素及其交互关系，从而预验结果，帮助药企做出更明智的研发决策。
例如，英矽智能利用其自主研发的基于Transformer的人工智能临床试验预测引擎inClinico，成功预测了多项临床试验II期至III期的转化结果。
二、AI+新药研发，中国速度能否领跑全球？
面对AI技术带来的巨大机遇，中国自然不会落后。国家药品监督管理局药品审评中心(CDE)近年来连发多项意见稿，鼓励数字化、智能化等新技术在临床试验中的应用，为中国AI+临床试验的发展指明了方向。
在政策的东风下，国内一批AI+临床试验企业如雨后春笋般涌现，涵盖了AISaaS、AIBiotech、AICRO以及AIBiotech+CRO等多种商业模式。
例如，科辉智药的AI驱动的研发平台eLEAD覆盖了研发全流程，其中就包括AI筛选患者人群；零氪科技则提供基于精准生命科学解决方案(LinkSolutions)的临床招募、真实世界研究、数据洞察等服务。
三、AI能否真正拯救新药研发？
尽管AI技术为新药研发带来了新的希望，但我们也要清醒地认识到，AI并非万能灵药。
1. 数据壁垒，制约AI发展
AI技术的应用离不开海量数据的训练和学习，医疗数据的获取和共享却面临着隐私保护、数据安全等方面的挑战。
2. 伦理风险，不容忽视
AI技术在医疗领域的应用，不可避免地会涉及到伦理问题，例如，如何确保算法的公平性和透明度，如何避免算法歧视等。
3. 人才缺口，亟待填补
AI+医疗是一个交叉学科领域，需要同时具备人工智能和生物医药专业知识的复合型人才，而目前这类人才还十分匮乏。
AI技术为新药研发带来了前所未有的机遇，但同时也面临着诸多挑战。我们相信，随着技术的进步和相关政策的完善，AI技术必将在新药研发领域发挥越来越重要的作用，最终造福广大患者。
问题来了：你认为AI技术能真正解决新药研发面临的困境吗？欢迎留言分享你的观点！
四、Nature | 探索AI在临床试验中的创新应用：从试验设计、患者招募维护到数据管理分析
（原创 K 生物探索）
引言
人工智能（AI）技术在医疗健康领域的应用日益广泛，特别是在加速临床试验的过程中展现出了独特的价值。AI技术的应用不仅能够提高临床试验的效率，还能在保证安全性的前提下，大幅度缩短药物从实验室到市场的时间。通过利用机器学习、自然语言处理等先进技术，研究人员能够更快地筛选出潜在的试验参与者，优化试验设计，以及实时监控和分析试验数据，从而为临床试验的各个阶段提供有力支持。
摩尔定律预测了半导体行业的飞速发展，而Eroom定律（摩尔定律的反向拼写）则描述了药物研发成本的不断上升和效率的下降。过去几十年，尽管科技水平不断提高，但新药的开发却变得越来越缓慢和昂贵。临床试验作为药物研发的关键环节，其规模和复杂性不断增加，导致时间延长和成本增加。AI的引入，为打破这一僵局提供了新的思路和方法。通过对大量数据的快速处理和分析，AI不仅能够发现新的药物目标，还能在临床试验设计、患者招募和数据分析等方面发挥重要作用，有望逆转Eroom定律的趋势，为药物研发带来新的活力。（3月13日 Nature “How AI is being used to accelerate clinical trials”）
临床试验设计的革新
Q&A
-自动化筛选：通过分析患者数据库，AI能够自动识别符合试验条件的患者，减少人工筛选的时间和精力。
-个性化沟通：利用AI聊天机器人等工具，可以与患者进行个性化交流，提高患者对临床试验的了解和参与意愿。
-数据驱动的匹配：AI技术能够综合考虑多种因素，如地理位置、健康状况和治疗历史，以提高患者匹配的准确性。
-实时反馈：AI系统可以实时监控招募进度和患者反馈，帮助研究团队及时调整招募策略。
Hutson M. How AI is being used to accelerate clinical trials. Nature. 2024;627(8003):S2-S5. doi:10.1038/d41586-024-00753-x
end
1、如您转载本公众号原创内容必须注明出处。
2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。
3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。
4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。