临床试验代表了药物开发周期的重要部分，占总时间和成本的一半以上，但整个过程在最近几十年里几乎没有改变。我们认为，人工智能的整合应使药物开发者能够采取更加数据驱动、定量的方法进行临床试验，从而提高效率而不影响项目的成功概率。
扩大资格标准而不牺牲疗效
除了疾病特定标准外，大多数临床试验都有包括实验室指标（如肝酶和白细胞计数）在内的纳入-排除标准，这些指标很少预期会对疗效产生重大影响，而是排除患有其他潜在疾病的患者。我们认为，通过训练人工智能模型分析先前的临床试验数据，药物开发者可以采用数据驱动的方法制定入组标准，而不牺牲疗效，从而可能加快入组速度，这是大多数试验中最长的部分。在一个针对非小细胞肺癌试验的数据驱动方法中，该模型能够将符合条件的试验人群数量翻倍，而不会影响疗效。事实上，一些模型甚至提高了预测的疗效。
利用AI模型识别潜在超级响应者
特别是在免疫学或肿瘤学等竞争激烈的治疗领域，生物制药公司一直在努力通过识别最有可能对不同机制产生响应的患者来进一步细分市场。人工智能有潜力梳理大量的基因组和生物标志物数据，不仅识别疗效的预测因素，还设定阈值以优化患者群体的分段，确保药物开发者瞄准可行的市场机会。人工智能还可以通过实现实时定量检测工作来启用新方法，这些工作单独由医生执行可能不可行。我们看到诊断公司也有一个次要的好处，因为许多这些策略还需要商用伴随诊断。
重点：阿斯利康的AI支持TROP2生物标志物
阿斯利康的datopotamab deruxtecan是一种针对多种实体瘤的TROP2靶向抗体-药物偶联物（ADC）。在TROP2靶向ADC的开发中，一个问题是标准IHC测量的TROP2表达与疗效之间缺乏相关性，这与标准生物标志物经验不符。阿斯利康采取了一种不同的方法，研究膜结合TROP2与总TROP2（膜和胞质）的比例，并使用算法方法确定了至少75%的0.56阈值，这一比例预示着更好的疗效。在对TROPION-LUNG 01的分析中，TROP2 QCS-NMR显著改善了基于反应率和无进展生存期的反应。
通过AI/ML促进新型终点的使用
在标准的临床试验范式中，功能终点通常在临床访问时作为离散措施进行评估。这引入了混淆因素，如患者的努力，可能会夸大安慰剂反应或扭曲候选药物相对于连续测量终点的疗效。人工智能与可穿戴监测器或传感器的集成使得利用大规模连续数据集成为可能，更有可能在实际临床实践中提供更好的临床效益指标。数字生物标志物的支持者还指出，它们有潜力让开发者运行更小、更快的临床试验。AI支持的生物标志物还可以替代患者自我评估的措施，这些措施由于功能性揭盲或安慰剂效应等因素高度容易受到偏见的影响。
AI/ML带来的其他优化
除了调整试验设计以优化成功概率外，我们认为经过训练的模型还有多个途径可以加速临床试验过程。这些包括使用去标识化的医疗记录来识别最佳临床试验地点，自动收集和分析肿瘤缩小或肺功能测试等结果数据，以及提高患者的依从性和不良事件报告。人工智能有巨大的潜力提高数据质量，同时缩短试验时间，可能减少试验所需的患者数量。尽管这些改进单独来看相对增量，特别是对于大型生物制药公司，但我们认为综合起来，它们可以对临床试验的时间和成本产生影响。
用于临床试验的数字孪生
在将人工智能整合到临床试验中的方式中，使用数字孪生是较为新颖的想法之一。数字孪生是用于模拟的对象的虚拟副本，已被建议用于通过比较治疗效果与未接受治疗的患者模拟数据来解释开放标签、单臂试验数据。进一步发展，一些人工智能公司表示他们计划推进数字孪生作为临床试验的对照组，尽管我们不认为监管机构在短期内会接受这一点。数字孪生的整合具有吸引力，因为它可以更好地解释试验数据，尤其是在需要匹配自然历史队列的情况下，同时控制组间差异。
(全文结束)
