人工智能是如何改变临床试验格局的？

毫无疑问，人工智能（AI）目前非常流行。2023年，美国整体人工智能投资达到672亿美元。在全球生命科学市场中，2022年人工智能的估值为15亿美元，并预计在未来十年内将达到约917亿美元。

许多人工智能和机器学习的应用程序已经在药物发现和开发中部署。人工智能不仅可以处理、分析和解读海量数据集，还可以用于结构化药物设计以及毒性和有效性预测。

然而，药物开发中一个持久的问题是高昂的成本。例如，研发一种癌症药物并将其推向市场的总体成本估计约为28亿美元。其中50%至70%的成本用于药物开发的临床阶段。

“药物开发成本极高的一大原因是95%的药物在临床阶段失败，”加拿大公司Altis Labs的创始人兼首席执行官菲利克斯·巴尔达夫-伦森说道。“这意味着一个新的批准基本上必须承担之前所有失败的成本。”

“AI在临床试验中最具影响力的应用之一就是针对这一挑战的核心。它们可以帮助更早地识别出最有效的药物，并以更快、更低成本的方式将这些药物推向市场，同时也能更早地识别出无效的药物并降低其优先级。”

使用人工智能改善试验设计

在药物开发的临床阶段，人工智能有潜力解决当前临床试验中的许多瓶颈问题。甚至在试验开始之前，就可以利用人工智能预测患者的预后和试验成功的概率。这使得发起人能够提前优化试验设计，增加各试验阶段顺利过渡的可能性，缩短试验周期，并提高获得监管批准的机会。

例如，以色列公司QuantHealth开发了一种基于3.5亿患者数据集和超过70万种治疗方法的临床试验模拟器。它使药物开发者能够大规模地模拟临床试验，并以86%的准确率预测试验结果。通过这些结果，药物开发者可以调整他们的临床试验设计，提高成功的机会。

我们的AI模型然后自动处理这些扫描，并生成治疗标准的预后预测和超过200个空间成像生物标志物。

使用真实世界成像数据，Altis Labs开发了AI模型，使得基于成像的临床试验结果预测成为可能。Baldauf-Lenschen解释说：“赞助商正在使用我们的模型处理其临床试验中的成像数据，这些模型是在过去十年中从加拿大卫生系统收集并去标识化的数百万纵向图像及其相应的临床、分子、治疗和生存结果上训练出来的。”

我们的AI模型随后会自动处理这些扫描，生成治疗标准效果预测和超过200种空间成像生物标志物，这些数据被包括阿斯利康和拜耳在内的客户用于预测他们正在进行的临床试验中的疗效。换句话说，它们可以生成合成对照数据来衡量治疗效果，远远超出行业过去40年来依赖的简单且往往具有误导性的肿瘤大小测量方法。

更好的试验匹配意味着更大的成功

临床试验的成功也受到患者招募的影响，这一过程仍然具有挑战性、工作量大且成本高昂。事实上，根据Clinical Trials Arena在2022年的数据分析，在2010年至2021年间导致试验终止的最常见具体原因是低患者招募率。

然而，分析还显示临床试验终止率一直在稳步下降，主要是由包括人工智能在内的技术进步所驱动的。例如，患者招募可以通过训练有素的人工智能自然语言处理工具来支持，这些工具基于临床试验方案和现实世界中的患者数据。然后，通过一个称为“试验匹配”的过程可以筛选出合适的患者。

根据特定试验的资格标准，该技术可以优先选择最适合患者的临床试验。近期发表在《JCO临床癌症信息学》杂志上的一项研究中，芝加哥大学的研究人员开发了一种以患者为中心的临床试验匹配工具，实现了“大约四秒内的自动化匹配，而手动推导则需要几个小时。”

将合适的患者与合适的试验匹配至关重要。参加临床试验的患者很可能已经尝试了所有可用的治疗方案但未达到预期效果。因此，最后的手段通常是尝试一种新的实验性疗法。利用人工智能，患者有机会被纳入最合适的试验，并且甚至可能接受相关的实验性治疗。

为此，位于加州的公司Unlearn正在使用人工智能来提高仅少量参与者试验的成功率。该公司开发了一种AI模型，该模型利用过去试验中的对照数据为每位患者建立数字孪生体。Unlearn正与制药和生物技术公司以及学术机构合作，改进并在此类临床试验中应用这一AI模型。

Unlearn公司数字孪生的主要优势在于对照组可以比传统试验小得多，这意味着更多的患者有机会接受实验性（且可能有益的）治疗而不是安慰剂。

改善患者体验

为了确保临床试验中的患者能拥有最佳的体验，位于北卡罗来纳州的公司IQVIA使用人工智能以患者为中心的方式来分析临床试验数据。

“IQVIA的人工智能工程总监吴龙表示，在AI越来越多地融入临床试验的情况下，保持以患者为中心并提升患者的体验至关重要。”

从试验开始到整个试验过程中与患者互动至关重要。这包括将患者的反馈融入试验的规划和设计中，并确保试验尊重并响应患者的偏好和未满足的需求。早期且持续的患者参与有助于建立信任，提高依从性，最终导致更好的试验结果。

为了这个目的，IQVIA正在使用通过文献回顾、访谈、焦点小组、临床结果评估、调查和数字健康技术收集的多样化的患者体验数据来训练其AI模型。

“我们使用电子临床结果评估（eCOA），其中数据通过电子方式捕获并立即上传，为患者体验提供了近乎实时的洞察。这加速了对关键数据的访问，使发起人能够及时做出决策，以增强患者的安金和试验效率。此外，eCOA平台向患者发送提醒和警报，鼓励他们及时提交数据，并营造一种负责的文化。”Ng解释道。

同样，公司AiCure建立了一个基于人工智能的患者参与平台，临床试验参与者可以通过智能手机访问该平台。这使得临床团队能够远程监控、支持和分析试验参与者及相关数据，实时接收参与者的反馈，并提醒他们按时服药，以防止人们退出试验。

关键挑战

实施这些技术的原因是为了改进现有方法，找到更准确的方式来衡量治疗反应，使用连续测量来获得新药效果的更丰富图景，并允许以对参与者方便的方式进行测量。

尽管人工智能为临床试验带来了许多优势，但仍有一些挑战有待未来解决。其中一个主要挑战是人工智能的新颖性。

马莎·萨姆森博士（Marsha Samson, PhD）解释说：“许多人不愿意用新型技术取代临床试验中的传统方法。”萨姆森博士是美国公共卫生署的准将，同时也是FDA的高级法规分析师。

实施这些技术的原因是为了改进现有的方法，找到更准确的方式来衡量治疗反应，使用连续测量来获取新药效果的更为丰富的信息，并允许以对参与者方便的方式进行测量。这些好处并不能保证，挑战在于开发足够的数据让我们有信心能够改进现有方法。

生命科学领域的另一个关键问题是数据共享和标准化，这将对临床试验中人工智能的应用产生重大影响。

“训练和验证AI模型需要大量的高质量数据，”Baldauf-Lenschen解释说。“特别是在医疗行业中存在巨大的瓶颈问题，其中的数据往往质量较低且分散在各个孤岛中。例如，在我们的案例中，将纵向影像数据与诊断信息、患者的治疗历史以及生存结果联系起来非常具有挑战性，而这些正是我们需要用来训练和验证预测生存结果的AI模型的数据。”

倪说：“AI系统需要高质量、多样且庞大的数据集才能有效运行。不一致、不完整或有偏见的数据会导致不可靠的结果。建立标准化的数据收集协议并投资于数据清洗和集成解决方案将确保强大的数据集。”

这与使用代表多样化患者群体的数据训练人工智能的重要性密切相关。“我们使用有偏见的数据来训练这些计算机程序，从而在我们的医疗体系中延续不平等现象，这是人工智能及其他算法工具所面临的重要风险，”Samson说道。

消除偏见非常重要，因为如果用于训练AI算法的数据不能充分代表人口的多样性，这些算法可能会无意中维持和放大现有的偏见。

“通过利用患者体验数据，申办者可以识别并解决不同人口群体的特定需求，确保试验具有包容性和代表性。这有助于设计更符合患者需求的试验，并识别潜在的风险和改进多样性和包容性的领域。这不仅满足了监管要求，还增强了试验结果的普适性和相关性，”Ng补充道。

监管机构对在临床试验中使用人工智能的看法

世界各地的监管机构正在解决许多这些挑战，并发布关于在临床试验中使用人工智能的指南。通过与药物开发公司密切合作，监管机构可以制定明确的规定和框架，以规范人工智能在临床试验中的应用。这可以确保遵守伦理标准、保护数据隐私并符合现有法律。

“良好的临床实践和证据标准对于临床试验来说仍然是不变的，无论是否使用人工智能，”萨姆森说。“全球各国正在制定指南和基于风险的框架，将人工智能整合到临床试验中，以确保患者安全和数据完整性，并促进创新。在建立风险、数据隐私法规和其他因素方面可能存在差异。持续的全球合作与讨论可以在可能的情况下协助实现协调，以支持在临床试验中使用人工智能。”

“不同司法管辖区有不同的法律框架，可能导致不同的处理方式，”欧洲药品管理局（EMA）数据 analytics 和方法工作组负责人彼得·阿雷特补充道。“全球药物监管机构通过国际医药监管机构联盟等论坛以及双边会谈等方式相互保持信息互通，并讨论这些共同关注的话题。”

展望未来

虽然人工智能在临床试验中的应用仍处于初期阶段，但全球范围内不断增加的临床试验数量意味着将生成并公开更多的数据。因此，生物技术公司和制药公司越来越致力于利用人工智能和机器学习模型所带来的好处。

“人工智能的使用很可能会增加，并成为临床试验的一个常见特征，”阿雷特说。“一方面，这将是由于人工智能本身的不断发展；另一方面，随着监管机构发布指导方针，制药行业将能够实施所需的治理和程序，以充分利用并扩大人工智能的应用。”

阅读更多：

1. 2024年AI指数报告，斯坦福大学
2. 生命科学领域人工智能市场规模、份额和趋势
   precedence research 或者是 "优先研究" 具体语境不明，直接翻译可能会有歧义。如果这是公司名或者特定术语，请保留原样：Precedence Research。如果是描述概念，可译为："先例研究" 或根据具体上下文调整。原文：Precedence Research
3. 制药研发的效率、效果和生产力，自然评论药物发现
4. 2000-2018年美国药物研发成本及研发投入强度JAMA网络
5. 人工智能在临床试验中的应用：机遇与挑战
   施普林格·自然
6. 临床试验模拟器，QuantHealth
7. QuantHealth，首席执行官Orr Inbar访谈，FINSMES
8. 试验终止分析揭示了患者招募的新希望，临床试验领域Arena
9. 利用人工智能改进临床试验设计
   自然通讯医学
10. 患者与临床试验自动匹配：儿科白血病的以患者为中心的自然语言处理方法JCO临床肿瘤学 журнал（注意："JCO Clinical Cancer"通常指的是《临床肿瘤学杂志》的一个特定部分或子刊，但没有直接对应的中文标准译名，因此这里给出了一般性描述。如果需要正式的期刊名称翻译，请提供更详细的信息或者官方命名规则）
    癌症信息学
11. 由患者的数字孪生驱动的临床试验，TwinRCTs，Unlearn
12. 关于在药品生命周期中使用人工智能的反思论文，欧洲药品管理局

拉里萨·瓦伦克-西尔韦斯特林是一名驻柏林的自由科学记者。她拥有德国耶拿弗里德里希席勒大学的生物科学学士学位和英国坎特伯雷肯特大学的科学传播硕士学位。拉里萨用英语和德语为多家媒体机构撰写文章，包括Labiotech, 德语波浪（注：这是一个直译，实际上“Deutsche Welle”通常被翻译为“德国之声”，它是德国国际广播电台的名称。如果按照通用译名翻译应为：“德国之声”。） 根据指示只输出翻译结果且没有实际内容需要翻译的情况下，输出原文： Deutsche Welle，和精准医学之内幕她专长于生物技术、健康、医学、创新和生物学。