挑战
该癌症中心在任一时间点均有约1800项临床试验同时开放。纪念斯隆-凯特琳癌症中心临床研究信息技术高级总监兼临床研究创新联盟负责人乔·伦格费尔纳（Joe Lengfellner）指出："为寻找临床试验适配患者，400多名研究协调员需耗费大量时间梳理患者病史——包括分期细节、生物标志物和既往疗法。随后还需将相关信息录入互不兼容的系统中，即便是实验室数据等结构化信息也难以从电子健康记录（EHR）顺畅传输至试验赞助方系统。复制粘贴已成为无奈但普遍的解决方案。"
这导致筛查速度减缓、数据错误频发，且错失将合适患者及时纳入试验的机遇。伦格费尔纳强调："肿瘤学临床试验在各方面日益复杂：入组标准持续扩展，大型III期研究涉及数百万数据点，使筛查团队负担倍增。更严峻的是，AI辅助文书等现代工具虽减轻医生负担，却产生更多非结构化内容，使数据解析难题持续扩大。若不从根本上解决非结构化数据转化问题，临床试验的可及性、启动效率及机构抗癌使命推进都将受阻。"
方案
该中心联合iHub创新实验室启动多供应商技术评估，聚焦患者匹配、非结构化数据提取及系统间数据流转等痛点。2024年中，中心要求供应商通过回顾性分析验证技术实效：利用AI系统复现人工筛查出的所有适配患者，并发现潜在遗漏者。肿瘤学定制化平台Triomics脱颖而出，其AI技术不仅能规模化解析非结构化临床数据，精准提取试验相关要素，还通过人机协同设计实现动态优化——协调员可确认或修正匹配建议，系统据此学习并量化提升筛查准确率。
实施
Triomics AI平台已与纪念斯隆-凯特琳癌症中心的Epic电子健康记录系统及研究数据库对接。夜间数据管道自动处理Epic系统传入的诊疗笔记、检验报告及预约信息，AI模型将患者特征与试验入组标准实时比对。临床医生可接收高匹配度患者的预警提示，协调员则通过操作台验证匹配结果、修正数据提取，并将临界匹配患者纳入系统长期追踪名单。伦格费尔纳说明："该方案确保临床医生保留最终资格判定权，研究协调员持续主导质控与随访。若试点成功，将分阶段推广至全部1800余项开放试验。"
成效
回顾性评估显示，AI系统不仅完全匹配人工筛选出的候选患者，更额外识别出适配者。"分析结论明确：该方案能有效减少筛查假阴性，扩大患者入组机会。"伦格费尔纳表示。单例人工筛查需耗时数小时，而平台可夜间批量处理数百份病历。"规模化应用后，研究协调员将转向患者沟通、物流协调等高价值工作，预计显著提升试验入组率、减少机会遗漏，并整体改善数据质量与操作效率。"
行业建议
伦格费尔纳建议同行采取务实策略：部署前务必通过已完成研究的真实数据验证AI性能；设定明确指标作为推广前提；从首日即构建人机协同流程，使临床人员能修正误差、追踪临界案例并传授专业经验。"技术核心应是减轻行政负担、提升专家工作价值，从而同步实现运营优化与患者研究可及性提升。"
【全文结束】
