夜雨聆风
一家医院里，真正可能符合临床试验条件的患者，往往早已存在于电子病历中。
问题是，临床试验的入选和排除条件可能长达几十页，患者信息又分散在诊断、用药记录、检查结果、病程描述和医生自由书写的文字里。过去，要找到这些患者，医生和临床试验协调人员只能一份份翻阅病历。药物已经准备进入验证阶段，合适的患者却可能藏在数据里，没有被及时看见。
日本近畿大学医院与中外制药宣布启动一项联合研究，NTT和NTT DATA参与技术支持，尝试利用真实诊疗数据和生成式AI，更快、更准确地找到临床试验候选患者。研究已经获得近畿大学医学部伦理委员会批准，计划持续至2027年3月。
中外制药并不是突然追逐AI热点。公司自2002年起成为罗氏集团成员，同时保持独立经营和东京证券交易所上市地位，长期深耕肿瘤、抗体药物和个体化医疗。中外制药还拥有罗氏产品在日本的优先开发与销售权，其自主研发产品则可借助罗氏网络进入全球市场。对于这样一家以肿瘤药物和精准治疗为核心的药企，患者筛选效率并不是边缘问题，而是直接连接研发速度、临床资源和新药上市时间的关键环节。
AI开始从“读论文”走向“读病历”
此次研究要解决的，并不是让AI替医生决定谁可以参加临床试验，而是让AI先完成最耗时的第一轮筛查。
具体流程是，中外制药提供临床试验方案及其中的入选、排除条件，近畿大学医院提供电子病历等真实诊疗数据。系统需要把两类信息进行比对，判断哪些患者可能满足要求，再将结果交给医生和临床试验协调人员复核。
研究将同时测试3种方法：使用Python和SQL编写固定条件的规则筛选、使用大模型理解病历文本，以及将规则筛选与大模型结合。参与方会把3种方法的结果与医生、临床试验协调人员的判断进行比较，评估候选患者识别准确率、筛选所需时间、工作人员任务变化以及能否缩短患者入组前的等待周期。AI只负责辅助，最终临床判断仍由医生作出。
这个设计比单纯展示一个“医疗聊天机器人”扎实得多。
固定规则适合处理年龄、检验数值、诊断编码和用药记录等明确条件，但难以理解“近期病情进展”“既往治疗效果不佳”“无法耐受某类药物”这类写在病程记录里的信息。大模型擅长阅读文字，却可能产生误判。把两种方法放在一起比较，甚至组合使用，本质上是在寻找一条更符合医院实际的路线：让规则处理确定的问题，让模型处理语言和上下文，再由专业人员完成最后确认。
这项研究也不是凭空起步。2026年5月，近畿大学医院与NTT DATA已经完成一轮前期技术验证，利用“千年病历”项目积累的电子病历数据，以及医院过去开展的临床试验方案，通过程序化方法筛选候选患者。官方披露的结果是，该方法能够显著缩小需要人工复查的人群范围，但具体准确率和节省时间数据计划在2026年秋季的学术会议上公布。
与5月的验证相比，此次合作向前走了一步：中外制药带来了正在招募患者的临床试验方案，NTT带来了大模型，医院则把技术放进更接近真实工作的环境中检验。换句话说，前一阶段是在回答“数据能不能筛人”，这一阶段要回答的是“筛出来的结果，医院敢不敢用、用了以后能不能真正省时间”。
承担语言理解任务的是NTT开发的Tsuzumi 2。NTT将其定位为轻量化日语大模型，可以部署在本地服务器或私有云环境中，更适合处理不宜上传至公共云端的敏感信息。此次研究还计划使用经过医学文献持续训练的医疗版本，这种部署方式至少在技术架构上回应了医疗数据安全和数据治理问题。
真正的价值，不是替医生做决定，而是缩短“找人”的空窗期
AI用于临床试验匹配并不是一个未经验证的想法。
美国国立卫生研究院相关团队此前开发的TrialGPT，在研究数据中能够用不到初始临床试验集合6%的候选范围，召回超过90%的相关试验；在1015组患者与入选条件的人工评估中，匹配准确率达到87.3%。其用户研究还显示，系统可能将筛选时间减少42.6%。不过，这项研究主要采用合成患者数据，因此距离复杂、混乱、缺失信息众多的真实电子病历仍有距离。
另一项名为PRISM的研究已经开始使用美国一家肿瘤中心的真实病历，包括临床记录和当地可参与的临床试验。研究显示，针对肿瘤临床试验专门训练的小型模型，可以达到接近专业医生的匹配表现。这说明大模型确实有机会读取自由文本，而不是只能处理整齐排列的诊断编码和检验数字。但该研究仍局限于单一中心，能否跨医院、跨疾病和跨病历系统复制，仍需进一步验证。
因此，中外制药这项研究真正值得关注的地方，并不是“又一家药企用了大模型”，而是它把几个过去分散的环节放到了一起：真实医院数据、真实临床试验方案、医生提供的参照判断、可追踪的数据处理环境，以及对准确率、工时和入组周期的量化评估。
这也是AI医疗从演示走向应用时必须经过的一道门槛。
临床试验筛选最怕的并不只是把不合适的人选进来，还包括漏掉原本符合条件的患者。电子病历中存在缩写、录入差异、时间关系不清和信息缺失，同一个临床概念在不同医院也可能采用不同写法。系统即使在一家医院表现良好，换到另一家医院，也可能因为数据结构和诊疗习惯变化而失准。
更重要的是，临床试验条件经常包含复杂的时间逻辑。例如，患者可能需要在过去6个月内没有接受某种治疗，某项指标需要连续多次达到标准，或者既往不良反应必须已经恢复到特定等级。这些条件并不是简单搜索几个关键词就能解决，而是要求系统理解时间、否定表达和治疗顺序。
这正是“规则加大模型”可能比单独使用大模型更有前景的原因。前者提供边界和可审计性，后者补足对非结构化文字的理解能力。最终产品也更可能是一个能够解释筛选理由、标明证据出处、允许人工复核的平台，而不是一个直接输出“符合”或“不符合”的黑箱。
目前，这项研究仍然没有公布明确的性能数据，也没有宣布正式产品或收费方案。把它描述为“AI已经解决临床试验招募难题”显然过早。
但它已经跨过了一个重要节点：合作不再围绕模拟病例或历史数据做展示，而是开始面对正在招募患者的临床试验、真实医院流程和真实责任边界。
如果到2027年3月，研究能够同时证明3件事——筛选准确率接近医生、人工复查时间明显下降、候选患者能够更早进入评估环节——那么它的意义将不只是一家医院节省了多少工时，而是为多家医院、多项临床试验共享同一套患者发现基础设施提供了可能。
新药研发真正漫长的地方，有时并不是药物分子本身，而是药物与合适患者迟迟无法相遇。现在，AI正在尝试缩短这段距离。它暂时还没有走到终点，但这一次，至少已经走进了医院。
