AI辅助药物临床试验受试者招募：几种方式和几个问题( 二 ) ：AI辅助药物临床试验受试者招

开发患者搜索临床试验的简化工具患者和患者组织在临床试验研究中参与度的不断提高，能够以反向推动的方式提高临床试验中患者招募的效率。然而，临床试验信息平台不仅内容庞杂，而且其中的医疗专业知识和入组标准对于普通患者来说难以理解。于是，一些工具被开发出来辅助患者自行寻找临床试验。
【AI辅助药物临床试验受试者招募：几种方式和几个问题】纽约哥伦比亚大学的生物医学信息学家ChunhuaWeng和同事们开发了一种开源网络工具DqueST 。 DqueST会在ClinicalTrials.gov上读取试验，然后生成若干问题，例如“您的BMI(身体质量指数)是多少” ，来评估潜在受试者的资格。初步评估显示，在50个问题之后，该工具可以过滤掉60-80％的不符合受试者条件的试验，准确率略高于60％。
纽约市的数字医疗公司Antidote也开发了类似的可以辅助患者搜索临床试验的工具，来帮助潜在的受试者了解参加临床试验的资格标准。
跨界者的加入临床试验受试者招募的重要性和价值，引来了许多跨界者的加入。
去年，一篇支付宝中搜索临床试验的文章曾引起热议。同样地，微信也推出了“全球临床试验患者招募”小程序。
智能手机和可穿戴设备也成为受试者信息的来源之一。自从2015年以来，苹果已经推出了ResearchKit和CareKit两个开源框架，来帮助临床试验招募患者， iPhone的前置摄像头和面部识别算法可以对儿童进行自闭症筛查。
亚马逊公司的AmazonComprehendMedical服务可以从医学文本中提取信息，更快地找到合适的患者参加临床试验。
Google母公司Alphabet旗下的Verily也在进入临床试验领域， Verily及其制药合作伙伴的目标之一是以新的方式接触患者，使其更容易注册和参与试验。
3AI辅助受试者招募的几个问题
AI应用于临床试验虽然具有良好的前景，但目前在临床试验过程中的应用仍处于初级阶段。就AI辅助受试者招募来说，面临一些挑战。
数据和方法的互操作性数据和方法互操作性的欠缺可能是将AI应用到临床试验患者招募中的主要挑战。目前，同一患者就医的不同医院可能使用不同的软件来输入数据，在信息格式方面差异很大，跨机构和软件系统来共享患者医疗健康信息(即数据和方法的互操作性)存在困难，这在一定程度上限制了AI技术在受试者招募中的应用。
数据标注和理解由于不同医学领域和不同医疗机构多方面的差异，目前，还没有一种自然语言处理技术能够学习任何医生的任何临床记录，并且完全理解该记录的内容。对于临床文本的标注和理解还有很长的路要走。
价值验证目前虽然已有学术机构和公司方面的案例，说明AI在改善临床试验受试者招募中的意义，但方法的确切价值还缺乏严格的验证。事实上，即便是比较公认的AI在医学图像分析中的应用，目前也缺乏大规模试验来确切证明其价值。
评估框架缺乏评估AI工具的共享框架是一个问题。目前只有少数患者匹配软件是开源的，大多数公司仍保留其工具的所有权，因此很难以标准化方式比较和评估此类技术。
隐私保护即使AI算法比传统方法能够更快地找到合适的人，或者找到原本可能会错过的人，使用第三方工具的研究人员，也必须在不违反隐私政策的情况下使用受试者的数据。
4关于未来
AI在临床试验中的应用需要循序渐进。
整个药物临床试验中AI的应用潜力是巨大的。未来某个时刻，临床试验的方案初稿甚至可能是由AI的方法完成。然而， AI不可能解决所有问题，并且，过早设定不合理的期望、试图绕开应用的探索阶段，可能会不可避免地损害信任，并最终损害AI在临床试验中的成功。
AI的真正可能性是消除随机对照试验(RCT)？
未来，随着数据可用性和丰富性的不断提高，以及AI技术的不断发展，一些数据丰富的疾病，比如常见的癌症，或许就可以不采用安慰剂和对照组，而是直接利用真实世界数据和现有数据与新药进行临床对比，这种方式也可以造福罕见病药物的研究。
届时更多的临床研究可能会在RCT的框架之外开展。如果数据足够丰富，一些临床试验可以不用进行招募了，因为，数据已经存在。
参考资料
1.Woo,M.(2019)."AnAIboostforclinicaltrials."Nature573(7775):S100-S102.
2.Harrer,S.,etal.(2019)."ArtificialIntelligenceforClinicalTrialDesign."TrendsPharmacolSci40(8):577-591.