Ochsner Health 用 AI 扩大临床试验筛选，破解招募与多样性难题

文/IAICA.NGO®

美国非营利医疗系统 Ochsner Health 正在把人工智能引入临床试验筛选环节，试图以算法预筛扩大候选患者池，缩短从病历审查到入组的时间。该机构覆盖路易斯安那州及周边地区，服务大量慢性病、肿瘤、心血管与神经疾病患者。传统临床试验招募依赖研究协调员逐份查阅电子健康记录，手工比对入排标准，既耗时又容易漏掉符合条件但未被转诊的患者。Ochsner 的做法表明，AI 正在从影像辅助诊断、临床文书等场景，进一步渗透到临床研究运营这一高度依赖人力的领域。

从人工审查到算法预筛

AI 筛选的核心并非替代研究团队做最终决定，而是先把电子健康记录中的结构化字段与非结构化文本整合起来。结构化数据包括实验室检查、用药记录、诊断编码、生命体征；非结构化数据则包括医生病程记录、病理报告、影像描述、护理备注等。自然语言处理模型可以抽取关键临床概念，例如肿瘤分期、基因突变、既往治疗线数、器官功能指标，再与试验方案中的纳入和排除标准进行匹配。系统输出候选患者列表后，研究协调员仍需核对原始病历、联系患者并取得知情同意。这种“算法预筛加人工复核”的流程，有望减少重复性劳动，让研究团队把时间用在沟通、评估与随访上。

传统模式下，一个试验可能需要在数万份病历中寻找几十名合格受试者。人工筛选不仅周期长，还可能受到专科转诊路径、医生认知偏差和患者地理分布的限制。AI 可以跨科室、跨机构地扫描数据，发现那些没有进入常规转诊通道的潜在受试者。对于 Ochsner 这类服务区域广、患者构成多元的医疗系统，这一点尤其重要。扩大筛选范围不仅提高招募效率，也有助于改善临床试验人群的代表性，让不同种族、年龄、社会经济背景和合并症状况的患者获得参与创新疗法的机会。

为何临床招募需要 AI

临床试验的瓶颈长期存在于招募环节。行业普遍面临入组速度慢、成本高、受试者脱落和多样性不足等问题。一项试验若招募延迟，可能导致研发周期拉长、新药上市推迟，甚至因样本不足而终止。与此同时，许多患者并不知道身边有适合自己的试验，或因为交通、照护责任、信任不足而难以参与。AI 筛选工具如果设计得当，可以把被动等待转诊变为主动识别，并通过更精准的匹配减少无效筛查。

对患者而言，参与临床试验可能意味着更早接触尚未广泛可用的疗法，也可能获得更密切的疾病监测。对医疗系统而言，更强的研究能力有助于吸引申办方、增加科研收入，并提升临床团队对前沿治疗的理解。对公共卫生而言，如果 AI 能帮助纳入更多历史上被忽视的群体，试验结论的外部有效性会更高，药物和器械在不同人群中的真实表现也能得到更准确评估。

挑战与治理

AI 进入临床试验筛选也带来治理问题。电子健康记录包含高度敏感信息，跨系统调用必须符合隐私法规与机构伦理审查要求。算法可能因训练数据偏差而低估某些人群的合格概率，或者过度依赖历史就诊数据，导致没有稳定医疗接触的患者被系统性遗漏。因此，模型需要持续验证、监测和审计，研究团队也应保留对最终入组决定的裁量权。监管机构对临床研究中的软件工具、数据安全和算法透明度的要求正在提高，医疗机构不能仅以效率为唯一目标。

iaica.com.cn 认为，AI 临床试验筛选的价值不仅在于缩短招募时间，更在于建立可审计、可解释、以患者安全为底线的公平匹配机制。若缺乏透明度和偏见监测，自动化筛选可能把原有不平等固化甚至放大。

展望未来

Ochsner 的实践是医疗 AI 向临床研究运营延伸的一个信号。随着大模型与自然语言处理能力提升，AI 可能进一步承担方案可行性分析、患者预筛选、随访提醒和真实世界证据生成等任务。但技术落地的前提是数据质量、跨团队协作和伦理框架同步成熟。临床试验筛选不是简单的信息检索，而是涉及患者权益、科学严谨与医疗公平的复杂决策。只有当算法辅助与人类判断形成互补，AI 才能真正拓宽试验入口，而不是制造新的门槛。

评论

0 条

登录后才可以发表评论。

立即登录

暂无评论，快来抢沙发。