AI介入临床患者招募：效率显著提升，但难以突破筛败成本与临床结局瓶颈

事件概述

阿斯利康（AstraZeneca）与甲骨文（Oracle）宣布合作，利用现代应用和人工智能技术提升临床试验的效率与成功率。该合作覆盖肿瘤、罕见病、心血管肾代谢等多个治疗领域，核心目标是解决新药研发中患者招募复杂、周期长以及筛败率高等痛点。

核心信息

1. AI显著提升筛选效率，准确率逼近人工

• TrialGPT表现：基于大语言模型的患者-试验匹配系统，在7.5万条试验标注评测中，匹配准确率达到87.3%。相比之下，人类专家的准确率区间为88.7%–90%，两者持平。同时，使用AI辅助的医生筛选时间缩短了42.6%。
• MatchMiner等工具：将单例患者的筛选时间从110分钟压缩至24分钟，效率提升超过90%。
• 数字化渠道优势：MediSearch 2026年基准测试显示，数字化招募渠道带来的入组速度是传统方式的2到3倍。

2. 行业背景：传统招募面临高筛败率挑战

• 效率低下：传统模式下，一名协调员需翻阅50至100份病历才能筛选出一名合格患者。
• 筛败率高：印度塔塔纪念中心一项涉及7481名筛查患者的审计显示，筛败率高达51.0%。FDA 2025年报告指出，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排除。
• 非结构化数据利用：如Celvion等平台利用NLP技术处理病理报告、医生笔记等非结构化文本，识别出的患者亚群数量是传统统计方法的3倍以上，且在生存曲线分离上具有统计学显著性。

3. 现实瓶颈：筛败成本高昂且未改善临床结局

• 经济成本：每次筛败的直接成本约为1200美元。根据Tufts CSDD数据，招募一名受试者平均成本为6533美元，替换中途退出者则需19533美元。
• 人工复核排除：尽管AI提高了初步匹配效率，但在真实部署中（如OncoLLM-CW案例），经人工复核后仍有大量候选人被排除，未能显著提升整体入组率。
• 临床结果无显著变化：在晚期非小细胞肺癌和多发性骨髓瘤等实践中，虽然AI提升了入组效率和标准符合度，但患者生存结局的风险比并未出现明显改变。

值得关注

AI在患者招募环节的价值目前主要体现在“提效”而非“提质”。出行障碍、名额限制、患者意愿及医生最终判断等因素仍是算法无法替代的变量。未来，AI能否真正转化为临床成功率的提升，仍需以最终的临床结果验证。