招募临床试验参与者是一项既困难又昂贵的任务。很大一部分时间都花在了人工筛选医疗数据上，以确定某人是否符合研究条件。事实上，根据最新的塔夫茨大学（Tufts）研究，约有三分之一的研究未能达到预期的招募人数，而约有14%的研究甚至未能招募到一名患者。这些问题都会产生实际影响，因为招募问题会导致试验延期，进而导致新药无法迅速上市。
正如本系列的主题一样，人工智能（AI）开始解决这些挑战，使招募工作更快、更多样化，并且更加轻松。
寻找合适的患者
临床试验的第一个挑战是找到合适的患者参与。这涉及将患者的病史（从他们的病历、实验室结果等）与试验的纳入和排除标准进行匹配。这一点非常重要，因为许多患者不会同意参与，因此目标是尽可能多地找到潜在患者，看看谁可能愿意了解更多。
这一挑战的主要部分在于充分了解患者的病史，以判断某个纳入或排除标准是否适用。例如，假设一个排除标准是在一期试验中排除酗酒者。有时，医疗记录会使其变得简单——也许该诊断出现在某个笔记或正式字段中。但其他时候，可能需要通过回答“你平均每周喝多少杯酒？”这样的问题来推断。
对于罕见病试验来说，寻找患者更为困难。传统方法可能会遗漏某些患者，因为相关信息埋藏在电子病历中，不常见到。然而，AI可以分析大量此类数据，发现那些可能被忽视的潜在参与者。
一种方法是使用具有医学理解能力的AI（参见本系列前几期关于数据的内容），或通过语言匹配技术，该技术可以在符合某些标准的患者记录上进行训练（记得之前讨论过的监督学习吗？）。有许多例子表明，AI已经帮助筛查患者，准确率很高，并且与人类判断一致——因此，这项技术并非空想。
优化试验设计
AI在试验设计中也发挥着重要作用——优化设计以减少不良事件的发生可能性，或确定最有效的测量结果。但在招募方面，一个主要痛点是患者保留——如果试验对患者要求过高（如需要遵守太多规定、距离太远等），患者会退出，需要重新招募新的患者。这也是AI可以帮助解决的问题。
有人正在研究使用AI来识别协议中的不必要的步骤（即那些对临床结果没有明显益处但对患者负担较重的步骤）。例如，你的试验可能不需要每周两次收集实验室结果——这对患者是一个很大的负担，而且与每周一次收集的结果相比，差异可能不大。减轻负担意味着更满意的参与者，从而缩短试验时间。AI在这方面非常擅长，尤其是因为人类很难发现这些情况。
促进多样性和包容性
众所周知，临床试验历史上缺乏多样性（在美国，直到1993年才要求临床试验包括女性）。继续缺乏多样性的一个驱动因素是招募工作的覆盖范围。在这里，AI可以在两个方面发挥作用。首先，算法可以设计成主动寻找代表性不足的人群，通过分析更广泛的数据集并基于多样化的社会经济指标突出候选人。这种方法可以通过确保研究包括来自更广泛背景和健康状况的患者来解决临床试验中的多样性问题。
其次，就像任何信息传递一样，AI可以用于个性化信息，使其更具意义。在最基本层面上，由于许多信息需要法律审查，招募过程可能会生成许多关于试验好处的不同信息，然后由AI管理哪些信息发送给谁，以最大化覆盖面。
AI无法帮助的事情
在试验中，AI可以帮助编写更好的宣传册文案，减轻患者的负担，并帮助找到可能适合的患者。
但许多参与者是通过传统的方法——人际沟通来到试验中的。患者会与医生交谈，如果医生知道某个试验，他们会与患者讨论并提出建议。与医生交谈可以让每个人对决定感到舒适，老实说，我不知道AI能否提供这种水平的舒适感和同理心。
但是，正如我们所见，AI在患者招募方面确实有一些积极的影响，可以帮助找到、保留和包括临床试验的患者。
参考文献
(全文结束)
