夜雨聆风过去几年，AI进入临床试验招募，最受关注的能力是患者—试验匹配。
研究人员把一份复杂的临床试验方案交给大模型，AI自动拆解入排标准；再让它阅读患者病历、检验结果、基因检测和用药记录，判断患者是否符合条件。
这个方向已经取得了相当不错的成绩。
以TrialGPT为例，它可以先从数万项临床试验中筛选候选试验，再逐条判断患者是否符合入排标准，最后根据匹配程度进行排序。
研究显示，TrialGPT在入排标准层面的判断准确率达到87.3%，已经接近医学专家88.7%至90.0%的水平。在模拟实际工作流程的用户研究中，它还将患者与试验的筛选时间缩短了42.6%。Nature Communications原文
按照这个逻辑，只要AI匹配得足够准、足够快，临床试验招募似乎就会自然改善。
但现实给出了一个反常识的答案：
AI可以找到患者，却不一定能让患者真正进入临床试验。
2026年7月10日，《Patterns》发表观点文章《From matching to facilitation: Reframing AI's role in clinical trial enrollment》，提出临床试验行业需要重新理解AI招募的作用。
文章的核心判断是：
AI临床试验匹配已经接近专家水平，但匹配准确率的提高，并没有自动转化为实际入组率的提高。
作者认为，当前AI产品解决的主要是信息问题，但真正阻碍患者入组的，越来越多是流程、组织、沟通和现实条件问题。
一项2万多人参加的随机试验
Dana-Farber癌症研究所建立了一套AI驱动的肿瘤临床试验推荐系统。
系统读取患者影像报告，识别肿瘤是否发生进展，并预测患者是否可能在未来30天内更换治疗方案。一旦AI判断患者进入了需要考虑新治疗的时间窗口，就会自动向主管肿瘤医生发送与患者基因变异相匹配的临床试验信息。
这套系统的技术表现并不差。
识别肿瘤进展的AI模型，测试集AUROC达到0.95；预测患者是否即将更换治疗的模型，AUROC达到0.77。
研究共纳入20,707名已经完成肿瘤基因测序的实体瘤患者，并按照2∶1随机分为干预组和对照组：
干预组医生收到AI触发的临床试验推荐；
对照组医生不接收相关通知。
结果却是：
干预组临床试验入组率为2.20%，对照组为2.03%，两组差异没有统计学意义。
即使只分析被AI判定为“已经准备好考虑临床试验”的2,127名患者，干预组与对照组的入组率仍然没有显著差异：18.05%对18.50%。
换句话说，AI准确识别了患者，也在相对正确的时间把临床试验信息推送给了医生，但患者最终并没有因此更容易进入试验。J
问题出在哪里？
答案可能是：系统完成了推荐，却没有完成招募。
在许多AI招募产品中，患者一旦被识别为可能符合条件，系统的任务就结束了。
产品会生成一份潜在患者名单，或者向医生发送一封邮件：
“您的患者可能符合某项临床试验。”
但从符合条件到签署知情同意，中间还要经过一系列转化环节。
第一关：AI找到了患者，但医生看到了吗？
医生每天需要处理大量诊疗、检查、处方和行政信息。一封临床试验推荐邮件可能很快被其他工作淹没。
即使医生看到了，也可能没有时间重新阅读方案、核实患者情况、联系研究团队并向患者解释。
从技术角度看，推荐已经成功送达；从业务角度看，任务可能根本没有启动。
第二关：医生看到了，但有人继续推动吗？
主管医生、研究者、CRC、临床试验招募团队和患者之间，往往没有形成顺畅的任务协同。
推荐信息发给了医生，但谁负责联系研究团队？
研究团队收到了转诊，但谁负责核实名额？
患者表达了兴趣，但谁来安排预筛？
预筛发现资料不全，又由谁补充检查结果和既往治疗记录？
如果系统只是生成一个匹配结果，却没有明确任务的责任人、截止时间和下一步动作，患者很容易停留在理论上符合条件的状态。
第三关：研究者认为合适，但患者愿意参加吗？
符合入排标准，只能说明患者在医学上可能适合某项研究，并不代表患者愿意参加。
患者可能不知道临床试验是什么，也可能担心自己成为试验品。
一些患者对随机分组、安慰剂、盲法、试验药和标准治疗之间的关系缺乏理解；另一些患者则担心疾病进展后被分到对照组，或者担心参加试验会失去其他治疗机会。
如果这些问题没有被及时、清楚地解释，再高的匹配准确率也无法变成入组率。
第四关：患者愿意，但现实条件允许吗？
患者可能住在距离研究中心几百公里之外。
参加试验可能意味着频繁请假、交通、住宿、陪护、额外检查，以及长时间等待。
对于肿瘤、罕见病和老年患者而言，身体状况、照护者时间和跨地区就医条件都可能成为障碍。
有些患者不是不愿意参加，而是无法承担参加试验的时间成本和经济成本。
第五关：患者开始预筛，但能顺利完成知情同意吗？
传统知情同意文件通常篇幅很长，包含大量医学、法律和统计术语。
患者需要理解试验目的、治疗方案、潜在风险、可能获益、替代治疗、退出权利和数据使用方式。
如果知情同意只是一次性提供一份复杂文件，而缺少分层解释、互动问答和理解确认，患者很可能因为不理解而放弃，也可能在没有真正理解的情况下签署。
因此，从符合条件到最终入组，并不是一次匹配，而是一条连续的患者旅程。
其中任何一个环节中断，患者都会从招募漏斗中流失。
当前AI招募产品，可能优化错了指标
许多AI招募产品把主要精力放在以下指标上：
入排标准解析准确率；
患者匹配精确率；
患者匹配召回率；
病历处理速度；
每小时筛查的患者数量；
推荐试验的相关性。
这些指标当然重要。
如果AI连患者是否符合条件都判断不准，就没有进入后续流程的基础。
但它们本质上只是技术指标，不是临床试验招募的最终结果。
一个系统可能将匹配准确率从85%提高到95%，却仍然没有增加任何一名实际入组的患者。
因为患者可能没有被联系，医生可能没有回应，研究中心可能没有名额，转诊可能没有完成，患者可能无法承担交通成本，或者没有理解知情同意。
真正应该关注的指标，还包括：
推荐信息被医生查看的比例；
医生确认或拒绝推荐的时间；
从匹配到首次联系患者的时间；
成功完成转诊的患者比例；
完成预筛的患者比例；
预约知情同意访视的患者比例；
从推荐到签署知情同意的周期；
从签署知情同意到随机入组的转化率；
每个环节的流失原因；
入组后完成关键访视和留在研究中的比例。
如果产品只对匹配准确率负责，而不对后续转化负责，它解决的只是找到患者，而不是完成招募。
下一代AI招募，不应该只是Matching Engine
《Patterns》文章提出，AI在临床试验招募中的角色，应该从 Trial Matching 转向 Trial Facilitation。
Matching解决的是：
“这个患者可能符合哪些临床试验？”
Facilitation解决的则是：
“如何让这个可能符合条件的患者，顺利走完从识别、沟通、转诊、预筛到知情同意和最终入组的全过程？”
这意味着，下一代AI招募系统至少需要具备五类能力。
第一，找到正确的患者，也找到正确的时间
临床试验信息并不是在任何时候都对患者有用。
对肿瘤患者而言，真正的机会窗口可能出现在疾病进展、现有治疗失败或需要更换方案的时候。
因此，AI不能只做静态数据库匹配，还需要结合疾病状态、检查结果、治疗线数和访视时间，判断什么时候应该重新评估临床试验机会。
系统需要持续感知患者状态，而不是一年只扫描一次病历。
第二，把推荐变成可以执行的任务
AI识别出患者后，应当自动生成后续任务：
通知主管医生；
指定负责跟进的CRC或招募专员；
向研究团队确认中心状态和剩余名额；
提醒补充缺失的病历或检查结果；
安排远程或现场预筛；
记录医生接受或拒绝推荐的原因；
对长时间未处理的任务自动升级提醒。
只有当每一步都有责任人、有状态、有时限，推荐才可能真正进入临床工作流。
第三，主动帮助患者理解临床试验
患者面对的不是一份试验列表，而是一项重要的治疗选择。
AI可以根据患者的语言、健康素养和疾病情况，把复杂的试验信息转换成患者能够理解的内容：
这项试验研究什么；
为什么患者可能符合条件；
参加后需要接受哪些治疗和检查；
随机和安慰剂意味着什么；
可能存在哪些风险；
与现有治疗相比有什么不同；
需要到医院多少次；
哪些费用由试验承担；
患者是否可以随时退出。
患者可以通过对话持续提问，而系统应当对超出范围、涉及医学判断或重大风险的问题，及时转交研究医生或研究护士回答。
AI可以帮助解释知情同意，但不能代替研究者履行知情同意责任，更不能诱导患者参加研究。
第四，解决交通、预约和转诊问题
很多招募障碍并不复杂，却非常现实。
下一代系统需要连接的不只是EHR和ClinicalTrials.gov，还应当连接：
研究中心和研究团队；
预约系统；
转诊流程；
患者服务中心；
交通和住宿支持；
费用报销与补助；
远程预筛和远程访视能力；
检查、采血和药物配送服务。
对于患者而言，真正有价值的AI是继续告诉他：
谁会联系你、需要准备什么资料、第一次能否远程完成、交通费用如何解决、什么时候可以见到研究医生。
第五，持续跟进，而不是推荐一次就结束
患者可能第一次听到临床试验时还没有准备好决定。
他可能需要与家人讨论，也可能需要进一步了解风险和替代方案。
AI可以在获得患者同意并符合伦理要求的前提下，持续提供适度的提醒、教育和状态跟踪。
如果患者没有继续推进，系统还应该记录具体原因：
医生未处理；
中心停止招募；
不符合某项关键标准；
患者拒绝随机；
交通困难；
时间无法安排；
费用顾虑；
家属反对；
病情快速变化；
选择了其他治疗。
这些原因能够反过来帮助申办方改进中心选择、方案设计、患者支持和招募策略。
国内很多产品仍然把“解析入排标准+扫描电子病历+输出潜在患者名单”作为完整解决方案。
但在真实环境中，患者名单出来以后，往往还会遇到更多问题：
院内临床诊疗系统与GCP机构系统没有打通；
科室医生不知道本院正在开展哪些试验；
潜在患者名单没有明确的后续责任人；
不同科室之间缺少转诊机制；
院外患者无法顺利进入研究中心；
PI和CRC没有时间处理大量低质量推荐；
患者对临床试验缺乏信任；
跨城市就医和长期随访成本过高；
招募失败原因没有结构化沉淀。
因此，国内下一代AI招募平台不应该只是一个患者筛选算法，而应该成为连接患者、临床医生、研究中心、申办方和患者服务机构的协同平台。
产品架构也应当从单一匹配引擎，扩展为：
智能匹配层 + 任务协同层 + 患者沟通层 + 转诊服务层 + 招募分析层 + 合规治理层。
未来真正形成壁垒的，未必是谁的入排标准解析准确率高出两个百分点，而是谁能够把一名潜在患者从被AI发现，持续、安全、合规地推动到“完成知情同意并真正入组”。
AI招募真正的工作，可能从匹配完成之后才开始
《Patterns》这篇文章并不是否定AI匹配的价值。
准确匹配仍然是智能招募的基础。AI可以帮助研究团队处理海量病历，减少漏筛，降低人工预筛负担，并在更合适的时间识别患者。
但匹配只是招募链条的起点。
如果医生没有时间处理推荐，研究中心没有接住任务，患者没有理解试验，交通和费用问题没有解决，知情同意和预约流程没有衔接，再准确的算法也只能生成一份越来越长的候选患者名单。
临床试验招募从来不是一个单纯的信息检索问题
。
它是一项由医学判断、组织协作、患者信任和现实服务共同构成的系统工程。
下一代AI招募产品真正需要回答的，不再只是：
“谁符合条件？”
而是：
“谁来继续推动？”“下一步应该做什么？”“患者为什么没有继续？”“怎样帮助他完成下一步？”“如何在不损害自主决定的前提下，让患者真正获得参与研究的机会？”
从Matching走向Facilitation，意味着AI不再满足于找到正确的人。
它还要在合规和人类监督下，帮助所有参与者把正确的事情真正做完。
真正的AI临床试验招募，可能从匹配完成之后，才刚刚开始。
参考资料：
Patterns：From matching to facilitation: Reframing AI's role in clinical trial enrollment
JAMA Network Open：Clinical Trial Notifications Triggered by Artificial Intelligence–Detected Cancer Progression
Nature Communications：Matching patients to clinical trials with large language models
👇
加入AI临床试验交流群
