AI盯上患者招募

文 | 氨基观察

AI制药的风，越刮越烈，范围也越来越广。

此前市场的核心焦点，在分子端。谁又用AI找到了高潜力的候选化合物，哪家把先导化合物发现的时间砍掉一半。

作为创新药的源头，分子发现必然是最核心的战场。但制药不只是筛分子，还包括临床验证。在临床环节，AI同样大有可为。患者招募、临床试验设计优化等方向，也涌入了大量的玩家。

10月20日，阿斯利康和甲骨文宣布一项合作，再次让AI对准临床环节：怎么找到对的患者，更高效地推进临床试验？

推开临床患者招募的门

阿斯利康不缺AI。其牵手甲骨文，并不是补AI制药的课。

从公开资料来看，其目标是"利用现代应用和AI，提升临床试验的效率与成功率"，适应症覆盖从肿瘤、罕见病，到心血管肾代谢、呼吸和免疫。

换句话说，它要把AI推进临床那扇最难开的门：患者招募。逻辑也不难理解，临床招募算得上是新药研发里最复杂的过程之一。

首先是效率问题。传统临床，一个协调员可能需要翻50到100份病历，才筛出一个合格的人。这背后是周期问题。

其次是成功率难题。签了知情同意书、最后卡在入排标准上的患者并不罕见。在印度塔塔纪念中心一项覆盖7481名筛查患者的审计里，筛败率高达51.0%。

也就是说，临床试验卡住，并不只是因为找不到足够的人，更因为找不到合适的人。FDA 2025年真实世界证据相关报告里有个数字：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。

正因此，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。

提效与降本，证据越来越多

当然，AI改变临床招募效率和成功率的尝试，并不是新鲜事。从全球范围来看，不仅入局的玩家不少，而且可行性的证据也不少。

例如，来自NIH团队的TrialGPT，作为大语言模型做患者—试验匹配的系统，在183名合成患者、7.5万余条试验标注上做评测，匹配准确率87.3%。Jin等人2024年发表在《自然·通讯》的论文里，人类专家的准确率在88.7%到90%之间，几乎持平。

更关键的是速度。同一项用户研究里，用TrialGPT的医生，筛选时间比手动筛查缩短了42.6%，准确性没掉。

同样的思路已经落到产品上。myTrialsConnect用生成式AI自动审病历、对照入排标准，给患者建一个“虚拟候诊室”；NLP工具能在几分钟内对成百上千名候选人做预筛，把原本要一周的活压到几小时。

到医院里，数字更具体。《自然综述·临床肿瘤学》2026年发表的一项研究显示，MatchMiner一类工具把单例患者的筛选时间，从110分钟压到24分钟，部分工具的效率提升超过90%。

在MediSearch 2026年的基准里，数字化招募渠道带来的入组速度，是传统方式的2到3倍。

波士顿的真实世界数据（RWD）平台Celvion的切入点，是用NLP去啃那些传统RWD平台碰不了的非结构化文本。比如病理报告里的自由文本、医生手写的随访笔记，甚至患者论坛上的自述症状。

据其披露的基准测试，在同样的实体瘤患者分型任务上，模型识别出的亚群数量，是传统统计方法的3倍以上，且这些亚群在生存曲线上的分离具有统计学显著性。

改变正在发生。这种情况，自然会有更多药企加入这一战场。

既要快、也要准，更要优

回归真实世界逻辑，在患者招募环节，效率并非唯一要考量的要素。

MatchMiner的通知式干预在真实部署中，没能显著提升整体入组率；威斯康星医学院落地OncoLLM-CW之后，协调员的工时确实短了，可AI匹配出的候选人，经人工复核又被大量排除。

逻辑在于，出行障碍、名额限制、患者意愿、医生的判断，算法暂时替不了。

这必然会推高直接临床成本。因为筛败的代价是昂贵的，患者的检查、化验、影像已经做了，协调员和研究者的时间已经花了，最后却没换成能入组的数据。行业里常用的估算是，每一次筛败的成本约1200美元。

完整的账来自Tufts CSDD：招募一名受试者平均6533美元，替换一名中途退出的受试者要19533美元。

当然，相比于筛败，更重要的是临床成功率能否提升？

临床入组患者的识别很重要，部分AI企业希望带来改变。但在晚期非小细胞肺癌、复发难治多发性骨髓瘤等一些实践结果显示，基于AI工具，患者入组效率提升了、患者也更符合入组标准，但生存结局的风险比并没有明显改变。

技术最终是为结果服务，如何借助AI提高临床端的效率和成功率，显然是所有入局者需要持续思考的问题。