AI 用于药物临床试验：应用场景、监管挑战与企业落地清单

为什么这篇综述值得药物研发企业关注

临床试验是药物研发中成本高、周期长、数据要求最严格的环节之一。AI 技术正在改变临床试验的信息处理方式：它可以帮助处理非结构化病历、影像、病理、可穿戴设备和真实世界数据，也可以用于患者筛选、风险识别、方案优化和安全信号监测。

但临床试验不是普通的数据分析场景。任何用于支持注册决策、受试者保护或关键研究结论的 AI 工具，都必须回答几个硬问题：数据是否可靠？模型是否可解释？输出能否被验证？错误风险如何控制？谁对结果负责？监管沟通如何开展？

《药学进展》发表的《人工智能在药物临床试验中的应用与挑战》对这些问题做了系统梳理。结合 FDA 和 EMA 近期公开资料，可以看出监管思路正在趋于一致：鼓励创新，但要求基于使用场景、风险等级、数据治理和模型可信度进行管理。

AI 在临床试验中的四类高频应用场景

1. 患者招募与分层

患者招募是临床试验效率的瓶颈。AI 可以通过自然语言处理、机器学习和多源数据匹配，从电子健康记录、既往诊疗信息、实验室检查、影像报告和基因检测结果中识别潜在受试者。

对企业而言，这类应用的价值不只是“招得更快”，还包括更早识别入排标准过窄、中心患者资源不足、特定亚组样本不足等问题。对于肿瘤、罕见病、慢性病和精准治疗项目，AI 辅助分层还可能帮助识别治疗反应差异更明显的人群。

风险点在于：患者数据来源复杂，病历文本不规范，算法可能放大既有偏倚。如果模型用于影响入组判断，企业需要保留人工复核机制，并明确模型输出不能替代研究者医学判断。

2. 试验设计优化

AI 可用于辅助方案设计，例如分析历史试验、真实世界数据和同类药物开发路径，帮助优化终点选择、入排标准、样本量假设、剂量探索和随访方案。

这类应用最适合放在立项、方案设计和关键方案修订阶段。它可以帮助研发团队发现“纸面上合理、执行中困难”的设计问题，比如入排标准导致筛败率过高、访视频率影响依从性、终点选择与真实临床获益之间存在距离。

需要注意的是，AI 给出的设计建议本质上仍是决策支持。用于注册性临床试验时，关键设计依据仍需结合疾病机制、临床意义、统计原则、监管沟通和伦理可接受性综合判断。

3. 数据处理与分析

临床试验数据正在从单一结构化 CRF 数据扩展到文本、图像、可穿戴设备、远程监测、患者报告结局和真实世界数据。AI 的优势在于处理非结构化和高维数据，提取传统人工流程难以及时处理的信息。

典型应用包括：自动医学编码、异常值识别、数据一致性检查、影像或病理图像辅助分析、受试者依从性预测、缺失数据风险预警等。

企业落地时要特别关注审计追踪。临床数据链路必须能回答：原始数据从哪里来？经过哪些算法处理？模型版本是什么？输出如何被人工确认？哪些结果进入统计分析？这些问题如果不能说清，AI 反而会制造新的合规风险。

4. 药物警戒与安全监测

AI 在药物警戒中的价值主要体现在主动信号检测和多源数据整合。自然语言处理可用于不良事件报告提取、医学术语标准化和文献/社交媒体文本筛查；知识图谱可用于构建疾病、药物、基因、不良反应之间的关联网络。

在临床试验阶段，AI 可帮助更快发现潜在安全风险，例如异常实验室指标组合、特定亚组不良事件增多、依从性下降与安全事件之间的关联。

但安全性场景容错率低。任何自动化信号都需要医学和药物警戒团队复核，不能让模型直接替代安全性判断。对外部提交材料而言，模型方法、数据来源、验证结果和人工审核流程都应保留记录。

四个关键挑战：不是技术问题那么简单

1. 技术可靠性与安全性

AI 模型可能受到训练数据质量、样本代表性、模型漂移、外部验证不足和黑箱机制影响。临床试验场景尤其需要关注模型在不同中心、不同人群、不同疾病阶段和不同数据采集方式下是否稳定。

企业应把 AI 工具当成受控系统，而不是一次性软件。模型上线前要验证，上线后要监测，版本变更要记录，关键输出要可追溯。

2. 数据标准化与质量

AI 的表现高度依赖数据。临床试验数据涉及 EDC、CTMS、ePRO、中心实验室、影像、病理、可穿戴设备和真实世界数据，不同系统之间的数据结构、术语、时间戳和缺失规则并不天然一致。

如果没有统一标准，AI 很容易把“数据格式差异”误判为“临床差异”。因此，数据标准、元数据管理、医学编码、数据清洗规则和缺失数据处理策略，是 AI 临床试验应用的前置条件。

3. 伦理与法律责任

AI 可能影响受试者招募、风险分层和研究决策，因此必须考虑知情同意、隐私保护、公平性、偏倚控制和责任归属。尤其在患者筛选和风险预测场景中，模型可能无意中排除某些人群，或者对少数群体表现不佳。

伦理审查不应只看“有没有 AI”，而应看 AI 用在什么决策点、影响多大、是否有人工复核、受试者权益如何保护。

4. 监管与合规

FDA 近年来围绕 AI 支持药品和生物制品监管决策提出风险基础的可信度评估思路，强调模型使用场景、风险、性能验证和生命周期管理。EMA 也强调以人为中心、遵守现有法律要求、考虑伦理和基本权利。

这些监管信号说明，企业不能只说“我们用了 AI”，而要说明“AI 用于什么场景、输出支持什么决策、风险等级如何、验证证据是什么、如何持续管理”。

研发企业落地清单

如果企业计划在临床试验中引入 AI，建议至少建立以下清单：

• 使用场景清单：明确 AI 用于招募、分层、方案设计、数据清洗、安全监测还是统计分析支持。
• 风险分级清单：区分探索性内部辅助、运营效率工具、影响关键试验决策和支持注册提交的不同风险等级。
• 数据治理清单：记录数据来源、数据标准、缺失处理、隐私保护、脱敏规则和跨系统映射关系。
• 模型验证清单：包括训练/验证数据、性能指标、外部验证、适用边界、失败模式和人工复核要求。
• 生命周期清单：记录模型版本、参数更新、性能漂移监测、变更控制和停用机制。
• 合规沟通清单：判断是否需要在方案、统计分析计划、数据管理计划、药物警戒计划或监管沟通材料中说明 AI 使用方式。

药研导航建议

AI 在临床试验中的价值不是把研究者、数据管理人员或药物警戒人员“替换掉”，而是把高重复、低效率、非结构化和高复杂度的信息处理工作前移，让团队更早识别风险，更快形成证据。

真正成熟的做法，是把 AI 纳入临床试验质量体系：明确适用场景，建立数据标准，设计验证流程，保留人工监督，形成可审计记录。这样 AI 才能从“工具尝鲜”变成“研发能力”。

信息来源

• 曹尚，王景朝，潘建红：人工智能在药物临床试验中的应用与挑战，《药学进展》，DOI: 10.20053/j.issn1001-5094.202508250658
• FDA：Artificial Intelligence for Drug Development
• FDA：Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products
• EMA：Reflection paper on the use of artificial intelligence in the lifecycle of medicines