转自：新康界
1965年，英特尔公司创始人之一戈登·摩尔（Gordon Moore）提出摩尔定律（Moore’s Law），即：在成本保持不变的前提下，集成电路上可容纳的晶体管数量大约每两年翻一番。这表明芯片的性能会以指数级的速度增长，而价格则会逐渐下降。
作为一种基于经验和观察的预测，摩尔定律反映过去几十年中半导体技术的快速发展，并在很大程度上解释了电子设备性能的进步之迅速。
不过，这一工业界的“解码器”并不适用于制药界，甚至截然相悖——2012年，研究人员创造了反摩尔定律（Eroom's Law），以此描述药物开发这一场景的特殊性：在过去60年中，以十亿美元研发支出为基准，获批药物数量每十年减少一半。
让药物研发“更具性价比”，是生物制药界孜孜以求的目标。近几年，AI的介入似乎带来新希望。
麦肯锡在今年1月更新的一篇报告中指出，仅就生成式人工智能（GenAI）赋能整个制药行业的情况而言，就能创造出600亿到1100亿美元的经济价值。华尔街女股神也公开宣称：“医疗保健将成为AI应用最深远的领域之一。”
积极信号的释放挑动着一众药企人士和投资人的神经。即便在向来被认为是难以突破的临床开发领域，水温也不似往年。
今年春天，耀乘健康科技AlphaLife Sciences的创始人兼CEO陈晓在大洋彼岸参会时，明显感受到与会人士兴趣的增加：“生成式人工智能是当之无愧的重点，几乎所有参会人都在谈论，拥抱的态度也更为热烈。”
这家专注于生命科学领域数字化转型的科技公司，汇聚了来自谷歌、Microsoft、Medidata、Veeva、Splunk等全球头部企业的跨界专业领域人士，自2020年成立以来便致力于通过创新的软件和技术解决方案，实现由临床研究文档和数据驱动的流程自动化和决策智能化。
构建覆盖临床开发全流程的AI系统，帮助AI制药迅速穿越临床周期，被耀乘健康科技AlphaLife Sciences（下文简称“耀乘”）这样的公司视为终极⽬标，但短期内将之落地，并不容易。
而AI对临床开发的介入，也远不止运营提效、流程优化。
01
传统临床开发：“刀耕火种”
以“刀耕火种”类比传统临床开发的工作并不为过。
例如，在数据采集环节，医生需手动记录患者的各种反应指标信息，随后由SMO（临床研究组织）派遣CRC（临床协调员），将这些数据逐一抄写并录入EDC（电子数据捕获系统）。整个过程极为耗时耗力，即便发生失误，也难以反向追溯出现问题的环节。贯穿临床开发全程的文件编写工作也面临类似处境。
更大的难题在于患者招募，传统上，该项工作主要依赖于医疗机构的推荐、宣传，招募范围有限且筛选流程繁琐，因招募不到足够受试者而遭延迟或终止的临床试验，并不罕见。
效率低、花费贵、时间紧，三者之间的剧烈张力正是临床开发的痛点所在。陈晓就此介绍，目前将⼀种新药推向市场的平均成本⾼达23亿美元，其中临床开发占80%；但新药的实际市场独占期平均仅约9.8年，企业需要尽快收回投资。
此外，麦肯锡今年年初更新的一篇文章提到，临床开发正在面临精准医疗的兴起和更具竞争性的开发环境所带来的压力。
伴随着精准医疗的发展，RCT（随机临床试验）通常不仅必须证明治疗的一般有效性，还必须证明其是否会对患者群体的特定部分产生益处。这部分越小，招募足够患者参加试验就越困难。此外，被认为具有临床意义的治疗效果的标准也在不断提高，以满足监管机构和支付方设定的标准以及竞争压力。
传统局限、新近压力，都呼唤临床试验领域的革新。备受瞩目的AI，无疑被寄予了最多的厚望。
但一个毋庸置疑的现状是：AI对临床开发的赋能远不及对临床前场景的助力。
临床前场景的AI应用本质是算法驱动的科学革命，通过突破传统生物学研究的计算瓶颈重构研发范式。过去三十年，CADD（计算机辅助药物设计）通过标准化方法论与工业化实践，为AIDD（AI驱动药物发现）构建了技术底座与行业认知框架，推动后者实现从实验室到产业化的跨越式发展。
与之相比，临床场景中的AI应用核心更接近于工程问题，需要协调多方利益、重构全局体系。缺乏如CADD般的“历史沿袭”是其技术成熟度曲线滞后的原因之一，而来自数据、监管等多方面的因素，也制约着AI在临床开发中的渗透率。
“一方面，临床试验需要处理敏感的患者数据，这部分数据获取难度大且受法律保护；另一方面，临床试验必须遵循严格的法规，因此AI生成的预测模型难以直接应⽤于决策过程，需经过⼤量验证。此外，临床试验涉及人群多样性等众多不可控因素，也限制了AI的预测能力。”陈晓就此解释。
资本投入的失衡进一步拉宽了前述差距：2015年以来，投资人们已向多达500多家AI驱动的药物研发公司投入超500亿美元，其中超过80%用于研究和早期发现。相较之下，围绕“临床开发+AI”开展的投资则少得多。
不过，伴随着AI4S的发展，AI对生产力的“静水流深”式提升已成为行业共识。临床开发的数字化、智能化，只是相对缓慢些。
02
“时候到了”
在生成式AI等技术的催化下，一些声音认为“时候到了”。
丹麦知名生物技术公司Genmab开发运营高级副总裁兼负责人Kelly Ragins表示：“预计从2025年起，加强协作与提升效率将推动临床试验设计发生重大变革。这包括利用集中式电子病历和数字化工具降低成本，简化数据流并减轻临床试验机构的负担。”
运营提效、流程优化，是临床开发领域AI较早介入的部分。但早期相关应用呈显著的碎片化应用特点，即仅针对临床试验中某一流程开发相关软件。这类模式的问题在于：尽管在单个模块实现提效，但由于不同软件所产生的数据格式往往不同，后期往往要经历多次数据转换、统筹，拖慢效率。
基于此，陈晓指出，全周期、一体化正在成为临床试验数字化过程中的显著趋势。
以耀乘开发的一体化临床研究系统平台AuroraPrime为例，该平台覆盖了临床研究的全流程场景，“拼乐高、搭积木”可以用来类比其运行——各模块既可以独立运行，也可以灵活组合同时启用，带来协同效应。
陈晓介绍，以GenAI为基底，结合提示⼯程（prompt engineering）、检索增强⽣成（Retrieval-Augmented Generation, RAG）和 AI 智能体（AI Agent）等多种⼿段，AuroraPrime目前已能在文档、数据、试验管理等多项相关工作中发挥智能化作用。
例如，内容生成方面，AuroraPrime能够从已有的试验⽅案（Protocol）和统计分析计划（SAP）中提取信息，⾃动⽣成临床研究报告（CSR）的部分内容，并基于试验概要和历史数据自动生成试验方案草案；数据处理方面，对于数据密集的部分，它可以将表格、图形和列表（TFL）数据与占位符同步，并⾃动⽣成总结，减少⼿动操作，确保符合法规要求。
据耀乘测算，在CSR的撰写过程中，初稿时间可以减少90%，总体节省45%的时间；在试验⽅案的撰写过程中，初稿时间可以减少90%，总体节省50%的时间；在⽣成Safety Narrative时，初稿时间可以减少95%，总体节省70%的时间。
陈晓告诉同写意：“整体来看，通过简化临床试验和⾃动起草，透过耀乘与全球药企的实际合作案例验证，初步的流程可以加速30%-50%，未来透过各个系统之间的整合,例如Veeva RIM,全周期的流程可以加速50%-80%。”
提速降本的另一面，AuroraPrime也以“内置质控机制+轨迹追踪”为各项工作的严谨性提供保障。
一方面，内置的GenAI质控机制会提取历史⽂档作为“⻩⾦”基准，并根据具体任务定制评估指标，对⽣成的内容进⾏评估，并提供可视化结果；另一方面，在使用临床试验数据管理模板的过程中，系统会自动生成使用记录，以供溯源、查询。
“什么时间谁用什么信息发挥了何种作用，都是能够被追踪到的。可以具体到某个文档的某个段落”，陈晓解释道。如此高颗粒度的“标记”，是长期、系统地支持对数据的工程化处理乃至规避临床试验合规风险的前提。
此外，由专业人士进行的审核把关，构成了整个流程中质量控制的最后一道“保险”。陈晓认为，基于药物研发的严肃性、严谨性，目前、甚至很长一段时间内，由专业人员去做审校核验，都必不可少。
03
走向深水区：从优化流程到临床决策
截至目前，耀乘已经与全球排名前10的制药公司中的5家以及多家行业领先的CRO达成合作，为之提供软件服务及解决方案。
陈晓坦言，做出足够好用的平台并不容易。一方面，AI日新月异的发展对企业的敏锐度、速度提出新的要求，企业需要咬紧技术革新、推进平台迭代，将“最新、最强的功能即时纳入应用”；另一方面，要想在生物医药这样一个高壁垒的行业中扎稳脚跟，理解行业问题、深入用户场景，尤为必要。
与此同时，站在工程化的角度，也需要考虑贴合用户使用习惯、融入用户已有生态的问题。一件不大符合刻板印象的事情是：相比于摧枯拉朽、推翻重建式的革新，更合适的也许是润物细无声的蝶变。
“举个最简单的例子：目前的文档书写绝大部分是用Microsoft Microsoft Office，那么最好是尊重用户的习惯，将内容生成功能接入Microsoft Office”，陈晓举例道，“因为MNC已有的流程经过很长时间的磨合，已经实现了复杂生产链上各种‘机器’的咬合。突然做全然的变革，企业可能会因为复杂、昂贵而却步。一个不能落地的平台，就不能称之为‘平台’，最主要的是将产品同行业生态做整合。”
为了攻关“Know-How 壁垒”、做出足够“丝滑”的产品，耀乘不仅尽可能展览来自不同学科、行业的交叉团队，吸纳了来自谷歌、Microsoft、Medidata、Veeva、Splunk等多地的专业人士，也着力于与全球药企、CRO保持深度合作，以确保AI模型适配的真实研发流程。
此外，针对在开展跨国合作时的常见挑战：不同国家的监管框架、数据标准等方面的差异，耀乘亦通过采取国际标准的数据治理方案以促进AI生成结果在不同市场的可重复性，并与Microsoft、Google、Nvidia、Johnson & Johnson Innovation JLABS 等行业领导者建立的战略合作关系，也为其业务开展“保驾护航”。
陈晓指出，AI在临床开发阶段的应用正在逐渐从优化流程向临床决策支持演进，在患者招募、试验设计、终点优化等多个环节发挥作用。考虑到算法透明性、数据共享和监管认证等挑战，短期内全然落地仍有难度，但这并不妨碍整个行业向前滚动。
美国临床数据和分析公司Saama曾在COVID-19期间与辉瑞-BioNTech合作开展疫苗试验，其首席技术官兼首席产品官Lisa Moneymaker表示，尽管临床试验设计、运行的演变通常较缓慢，但近几年，FDA部分法规的放宽、大流行期间分散式试验和远程监控的发展、生成式AI的爆炸式增长，都为创新应用打开了大门——尤其是，“我们甚至还没有抵达触及生成式AI应用将带来的潜力的表面”。
04
展望：或迎范式革新
伴随着对医学知识的融合、真实世界数据（RWD）的指数级增长，以及技术和数据管理的进步，基本上，运营提效、临床优化之余，业界的AI畅想，覆盖了试验设计、患者招募、患者监测、临床结果分析等几乎所有环节。
例如，通过挖掘、分析包括健康记录、医学成像、组学数据等在内的多个数据源，AI能够帮助改善患者招募、提高临床试验的有效性。FDA近年强调“适应性设计”（Adaptive Design）与“富集策略”（Enrichment Strategies），以减少冗余试验、加快审批，这些都有可能从AI技术中受益。
一些科学家期望，AI能够帮助在一些难以“破冰”的领域取得突破。Cognition Therapeutics是一家专注于开发神经退行性疾病口服药物的公司，其首席执行官Lisa Ricciardi日前指出，在阿尔茨海默病等疾病的研究中，AI技术能够帮助识别和分析生物标志物，从而实现精准医学方法，使得制药公司能够针对正确的患者进行正确的试验，继而提升开发效率。
各大药企也正在加速对“临床+AI”的布局、运用，曾喊出“ALL in AI”的赛诺菲是其中之一。作为与Open AI和Formation Bio持续合作的一部分，赛诺菲于去年底推出Muse，一款AI驱动的先进工具，旨在通过优化临床试验的受试者招募流程，加速和改善药物开发。
再如，在患者监测方面，通过与可穿戴设备相结合，AI也可以通过自动化数据捕获、数字化标准临床评估和跨系统共享数据来帮助监控、管理患者，实现对患者的持续监测和对治疗安全性和有效性的实时洞察，同时预测其退出试验的风险，从而提高参与度和保留率。
阿斯利康旗下罕见病药物公司Alexion高级副总裁兼开发与安全负责人Gianluca Pirozzi就此介绍：“与单时间点数据收集相比，采用可穿戴设备每天收集受试者数据，有助于提高终点分析的准确性。这些工具不仅能大幅度地丰富临床数据集，还可能缩小研究规模，这对于受试者人数较少且地域分散的罕见病临床试验具有革命性意义。”
此外，一些行研/咨询机构还预测了更为久远的临床试验范式。例如，德勤指出，在个性化医疗和AI的持续发展下，未来的临床试验将会引入计算机模拟，减少、优化甚至部分替代部分体内试验。
而作为对新技术的呼应和对RCT的补充，“合成对照组”“数字孪生”等概念近年来也已陆续走进业内人士视野。
依托于对既往数据的统计学分析及生成式AI等技术，合成对照组旨在模仿RCT中服用安慰剂的对照组，通过创建虚拟“对照组患者”，以让所有临床试验的患者都能够接受真实药物治疗。这对于患者人数有限的罕见病临床试验招募尤其重要——实践中，害怕被置于安慰剂组是一些患者不愿意共同参与临床试验的原因。
该项技术已在实践中部分落地。例如，2021年，Medidata宣布FDA批准将Medidata Synthetic Control Arm®合成对照组用于一项复发性胶质母细胞瘤（rGBM）III期注册试验，这是III期试验首次采用混合外部对照组（即将合成对照组患者与随机患者相结合）。
在数据呈指数级增长的未来，数字孪生技术也许能够被用来模拟、测试新疗法。理论上，孪生虚拟体越是接近于患者本体，经由其模拟的试验结果才越是准确。前者的构建需要无限接近完整的数据——可能是贯穿患者整个人生的方方面面的数据，这无疑具有浓重的未来主义、理想主义色彩，其落实不仅关乎技术，更关乎监管、伦理。
— 结语 —
往前看时，景色并不明朗。
没有人知道临床开发在AI的助力下将呈现出何种演变，但每一次算法的微小进化，都在重写生命的方程式。随之确信无疑的是：科技、人类对治愈的渴求所带来的想象空间，也许远比我们感受到的会更大。
未来也许到来得比我们以为的更早，只是尚未流行。
参考资料：
https://mp.weixin.qq.com/s/ru7nfm7e8Ec11Kg619AInA
Synthetic Control Arm - CN | Medidata Solutions
Scrip Asks... What Does 2025 Hold For Biopharma? Part 5: Clinical Trials Trends
Accelerating AI in clinical trials and research | McKinsey
How AI is being used to accelerate clinical trials
《Intelligent clinical trials Transforming through AI-enabled engagement 》
（转自：新康界）
