AI 进不了 GCP，但进了你的工作台：写给临床统计师与 DM 的 AI 入门

过去一年，"要不要用 AI"已经不是问题——真正的问题是：怎么用才对、用在哪才安全。

2025 年 1 月，FDA 药品审评与研究中心（CDER）与生物制品审评与研究中心（CBER）联合发布指导原则草案，讨论如何以人工智能支持药物研发的监管决策，提出贯穿工具全生命周期的管理框架；EMA 亦发布了关于在药品全生命周期使用 AI 的监管反思文件。监管的方向很清楚：积极引导、审慎接纳、人工监督不可缺位。

对我们这些做统计编程、统计分析、数据管理的人来说，AI 不是替代岗位的威胁，而是一个需要被规范纳管的新工具。这篇文章做一件事：用一篇的篇幅，把临床专业人员使用 AI 所需的概念、方法、边界一次讲清。

理解原理，是后面所有安全要求的地基。

大模型的工作机制是基于前文预测下一个词（Next-Token Prediction）：给定一段输入，模型输出概率上最合适的下一个词，拼回前文，再预测下一个，逐词生成直至成篇。

由此衍生出三个必须记住的推论：

1.它会"幻觉"，且编造时毫无破绽。 模型的生成依据是概率而非事实核查，所以它可能给出格式规范、语气自信的虚构文献、虚构 CDISC 变量、虚构法规条款。识别幻觉的唯一方式是回源核实。

2.背景越充分，输出越精准。 这直接决定了提问方法——把项目语境、术语标准、约束条件给足。

3.同样的提问，两次输出可能不同。 与传统 SAS 程序的确定性执行不同，大模型是概率性系统。任何进入正式交付物的 AI 输出，人工核查是必选项，不是可选项。

同一个模型，以四种形态到达使用者：

一句话：网页与 App 用来对话，开发工具用来干活，终端用来做自动化。日常工作，前三者足够。

术语多而乱，用一个结构记：

▸大脑 = 大模型：理解、思考、生成的核心；

▸神经系统 = API：程序对程序的标准通道，按 Token 计费，凭 API Key 调用。注意：API Key 是凭证，严禁提交至代码仓库或共享文档；

▸手脚 = 壳子：一切能接入 AI 能力的工具——聚合客户端、内置 AI 的编辑器都算，换壳不换大脑；

▸肌肉记忆 = Skill / Workflow：把成熟的提问方法或多步流程固化为可复用的 SOP；

▸通用突触 = MCP：标准化连接协议，让 AI 以统一接口规范接入外部工具与数据源。

企业级落地通常走平台形态（如阿里云百炼）：模型、应用搭建、微调、评测一站式打包。选择平台时的两个硬指标——数据境内处理、明确承诺不将用户数据用于模型训练。

"提示词工程"听起来玄，落地就是四个要素：角色、任务、约束、输出。看一个临床实例：

三条使用纪律：

1.约束里永远写"不增删事实"——临床文档润色的铁律；

2.好答案是迭代出来的，多轮修正才是正常工作方式；

3.输出必须人工终审，尤其是方法学描述与数字。

岗位场景对应关系：

▸统计师：SAP/CSR 文字起草与润色、SAS 报错解释与代码框架、文献检索整理（引用须逐条回原文核实）、英文审稿回复；

▸数据管理员：数据核查 Query 措辞改写、数据管理计划章节起草、Edit Check 规格的文字化、MedDRA 编码的辅助理解（编码决定必须人工）；

▸共性：会议纪要、培训材料、SOP 语言润色——低风险、见效快，适合起步。

这部分比前面所有技巧都重要。

数据三色分级

🟢 绿色（可用公共 AI）：公开指南、行业文献、通用方法学讨论；

🟡 黄色（仅限内部合规渠道）：项目文档、内部流程——仅限公司批准的、数据境内处理且承诺不用于训练的工具；

🔴 红色（绝对禁止输入任何 AI）：受试者个人信息与可识别数据、未揭盲的分组信息、未公开的研究结果、申办方保密信息。

三条红线

1.数据红线：受试者数据、盲态信息、未公开结果，绝不输入公共 AI；

2.真实性红线：AI 给出的每一条文献、数字、法规条文、代码，人工核实后方可采用；

3.责任红线：统计判断、数据核查结论、编码决定由专业人员做出——AI 是讨论对象，不是决策者。

对应到既有合规原则，就是三句话：过程可溯源、结果可核查、责任在人。AI 没有动摇 GCP 与数据管理的任何既有原则，它只是多了一个需要纳入计算机化系统管理视野的工具。

AI 节省的是表达层的体力——润色、翻译、初稿；放大的是你的专业判断与质量意识。工具越强，越需要懂专业的人驾驭。

— END —

本文为临床 AI 应用系列。涉及监管文件表述，以 FDA/EMA/NMPA 官方发布文本为准。

内容仅供学习交流，不代表任何官方立场。