10月20日，阿斯利康与甲骨文宣布达成合作，双方将利用现代应用与AI技术提升临床试验的效率与成功率，适应症范围覆盖肿瘤、罕见病、心血管肾代谢、呼吸和免疫等领域。阿斯利康首席数字、数据与AI官Anne-Claire Gerbaldi表示，太多患者确诊太晚，或者要走很长的路才拿到需要的照护。此次合作的核心目标，是解决临床环节中最复杂的难题之一：患者招募。
传统临床招募的效率瓶颈由来已久。一名协调员往往需要翻阅50到100份病历，才能筛出一名合格受试者。成功率同样不容乐观。印度塔塔纪念中心一项覆盖7481名筛查患者的审计显示，筛败率高达51.0％。FDA 2025年真实世界证据相关报告则指出，在美国约4000项临床试验中，超过70％的潜在患者因入排标准被挡在门外。招募的难点不仅在于人数不足，更在于匹配精度不够。
AI介入患者与试验匹配的可行性已有较多证据积累。NIH团队研发的大语言模型匹配系统TrialGPT，在183名合成患者、7.5万余条试验标注上的评测中匹配准确率达到87.3％，与人类专家88.7％至90％的准确率几乎持平；同一项用户研究显示，使用TrialGPT的医生筛选时间比手动筛查缩短42.6％，准确性未出现下降。产品层面，myTrialsConnect利用生成式AI自动审阅病历、对照入排标准，为患者建立虚拟候诊室；NLP工具可在数分钟内完成对成百上千名候选人的预筛。《自然综述·临床肿瘤学》发表的一项研究显示，MatchMiner一类工具将单例患者筛选时间从110分钟压缩至24分钟，部分工具效率提升超过90％。MediSearch 2026年的基准数据则表明，数字化招募渠道的入组速度是传统方式的2到3倍。
效率之外，准确性仍是待解问题。MatchMiner的通知式干预在真实部署中未能显著提升整体入组率；威斯康星医学院落地OncoLLM-CW后，协调员工时有所缩短，但AI匹配出的候选人经人工复核后被大量排除。出行障碍、名额限制、患者意愿与医生判断等因素，算法暂时难以替代。筛败的代价也相当高昂，行业常用估算为每次筛败成本约1200美元。Tufts CSDD的数据显示，招募一名受试者平均花费6533美元，替换一名中途退出者则需19533美元。部分实践结果还显示，AI工具提升了入组效率与患者合规性，但生存结局的风险比并未明显改变。技术最终需为临床结果服务，如何在效率与成功率之间取得平衡，仍是所有入局者需要持续验证的课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
