临床试验凑不齐人，AI如何制造“患者”？

真实患者不够用，AI造出一个“数字替身”

临床试验招募不到足够受试者，是制药行业长期面临的顽疾。研究显示，大约80%的进展期非小细胞肺癌患者不符合临床试验的资格标准，约86%的临床试验因无法按时招募到足够受试者而被迫终止。面对这一困局，越来越多的科研团队和药企开始把目光投向一种新工具——AI虚拟患者。

北京大学智能学院博士利友诚正带领团队研发“AI虚拟患者”模型。他们的做法是，结合千万名真实患者的就医记录、身体指标、生活环境等合规数据，利用专门的AI模型进行多轮调试，最终生成一个能模拟真实患者健康状况的数字模型。“除了就诊记录、影像记录、用药记录，我们还会收集患者生活地区的PM2.5、当地是否烧秸秆、饮食结构、经济状况等信息。”利友诚介绍，这些数据用来预演患者未来几年健康状态的变化，并回答“在某个特定治疗或用药条件下，他的健康状态会怎样变化”。

这并非要把真实的人体试验全部替代。利友诚强调，模型的定位是补充和辅助功能，“真实的人体试验还是要做”。但在药物研发早期，虚拟患者可以帮助团队提前判断：这个药物成分在哪些人群中更可能有效？是否存在值得提前排查的安全风险？这些问题如果到人体试验后期才暴露，前面的沉没成本将难以挽回。

千万级数据怎么“喂”出一个虚拟人？

要构建一个能准确模拟患者的模型，数据是最大的门槛。利友诚团队目前围绕呼吸、肿瘤、心血管三大疾病队列做数据搜集，获取了千万名真实患者的就医、身体、生活环境等合规数据。但这些数据远非现成可用的。

“各种医疗数据零散地分布在不同数据库里，要对齐、治理、去重，排除互相矛盾的记录，这些都很难。”利友诚坦言，数据往往以零散的表格形式存在，需要把它们变成能够映射到某个具体患者、甚至某个病灶的完整数据库。AI可以做初筛和初步清洗，但后续仍需要人工参与。

更重要的是，数据收集之初就要对疾病有足够深入的理解。“需要先确定标准，比如关注哪些生物标记物，跟踪哪些变量，怎样定义疾病，纳入什么数据、排除什么数据。”利友诚说，团队需要把不懂的地方拿去问医学专家，再把专家的经验放到研究方案里，“不是请一个专家来，他就能把整个模型怎么做都告诉你”。

从筛选招募到模拟试验，AI正在“挤进”临床研发全链条

除了“无中生有”地创造虚拟患者，AI在临床试验中的另一大价值是精准匹配真实患者与试验方案。通过自然语言处理、机器学习等技术，AI可以自动筛选符合入组标准的患者，提高招募效率。《Nature》上发表的一项研究介绍了开源工具TrialPathfinder，它可以从肿瘤患者的真实世界数据中学习，使用电子健康记录（EHR）数据模拟临床试验，并按照不同的入组标准自动整合数据、分析生存风险比率。研究结果显示，许多常见的入组标准对临床试验结果的影响甚微，这为放宽入组标准、扩大潜在受试者池提供了依据。

新一代工具如TrialGPT则更进一步，它能将患者与临床试验进行“相关性”和“合格性”打分，为每位患者排序出最适合的临床试验，或者筛除明显不符的方案。这些AI辅助工具正在帮助药企更快地判断“该推进哪条管线、该入组哪些患者”。

在商业层面，海外企业已有不少成功案例。美国公司Owkin使用联邦学习训练机器学习模型，从成像、基因组学和临床数据中识别新的生物标志物，帮助筛选可能对治疗反应最好的患者，已筹集2.54亿美元，吸引了赛诺菲等投资者。剑桥公司GNShealthcare则基于复杂数据创建“虚拟患者”疾病计算机模型，专注于肿瘤学、免疫学、中枢神经系统和心脏代谢疾病，支持更精确的患者分层，判断哪些患者应接受一线或二线治疗。

政策开闸与真实差距：虚拟患者能走多远？

政策端正在释放积极信号。今年6月，国家药监局等四部门发文鼓励应用虚拟患者等模型技术。山东齐鲁医院甚至挂出了一项“数字孪生虚拟临床试验”采购项目，预算262.5万元，需求包括虚拟人群建模和疗效虚拟预测。2022年8月，国家药品监督管理局药品审评中心（CDE）连发三项意见稿，支持远程智能临床试验方案的应用和发展，强调在合规且可行的范围内提高患者参与临床试验的便利度。

中国药品监督管理研究会会长张伟指出，随着生物技术与信息技术的深度融合以及数据成本的不断降低，未来的临床试验可能会部分依赖于虚拟病人“提供”的信息，实现用更小的样本量验证药物疗效。

但虚拟患者距离全面替代真实临床试验仍有相当距离。利友诚表示，他们的模型在药物试验和临床试验决策中只是补充和辅助，“不是全部替代真实的临床药物试验”。毕竟，一个模型再逼真，也难以完全复刻真实人体在复杂生理环境中的药物反应。对于制药行业而言，虚拟患者真正的价值，或许不是“取代”真实患者，而是在漫长的研发长跑中，帮药企先跑赢那最难熬的“前半夜”。