AI如何赋能药物研发工作中的最后一步：临床试验。 图1：药物研发生产流程，图片引自[1]↓ 临床试验简介 药物研发的最后一步，便是将药物大规模应用到患者体内以进行实际效果测试，这 一步骤即临床试验。临床试验是一种系统性的研究，其目的是调查医药产品对人类 疾病过程的影响，以证实或揭示试验药物的作用、不良反应及试验药物的吸收、分 布、代谢和排泄，并最终确定试验药物的疗效与安全性。 临床试验是一项 去意义。 但是临床试验的结果会受到多种客观因素的影响，其中至关重要的一点是试验患者 的匹配。患者的匹配是指将研究对象按照一定的标准进行分类，以挑选出最适合特 定临床试验的患者。每个临床试验都会有不同的纳入标准和排除标准，患者自身的 情况也需要达到一定的门槛，才可以参加。 招募合适的患者这一过程是非常耗时且困难的。这个过程需要仔细分析患者的病 历，根据临床试验的纳入标准和排除标准判断患者和试验的匹配度。据统计有50% 患者和试验的匹配度。据统计有50% 的临床试验由于招募不到合适的患者而被迫延迟，有25%的临床试验由于患者不足 而完全无法开展。据估算每招募一名患者约花费6000至7500美元，成本可谓十分 高昂。因此如果进行高效的临床试验-患者匹配，是药物研发中急需解决的一个难 题。 传统的临床试验患者匹配方法及局限性 传统情况下，患者和试验的匹配是人工进行的。主要包含两大方向：TO B（找医

创新和融合应用发展趋势，凝练总结了 6 个方面 41 个典型 场景，为医药企业数智化转型工作提供参考。 一、医药研发 围绕药物发现、临床前研究管理、临床试验管理等环 节，应用数智技术提升新靶点和新药发现效率，加速药物 研发和临床试验进度。 1.精准靶点识别与筛选 面向疾病机制探究和药物靶点发现等业务活动，针对 传统实验方法在通量和成本方面的局限性问题，利用多组 学数据分析和文本挖掘方法，整合丰富的生物学数据，结 床有效性和特点进行解析，提高中药创新药转化决策质量、 效率和成本效益。 6.基于风险的临床试验管理 3 面向临床试验方案设计、患者招募、风险管理等业务 活动，针对数据合规管理等需求，利用深度学习、自然语 言分析等数字技术，构建疾病模型，分析过往相似性试验 计划，快速评估临床试验的可实现性及潜在风险，从而进 一步优化试验计划及方案；结合真实世界数据、人工智能 （AI） （AI）技术，自动筛选符合入组标准的患者，提高招募效 率，规避受试者流失导致试验中断风险；运用智能化工具， 及时发现试验文档、患者入组协议等方面的问题，降低数 据核对成本，提升临床试验质量。使用数字孪生技术，在 虚拟环境中模拟临床试验，预测药物反应，提高研发效率。 7.医药实验室数据集成管理 面向医药研发实验室管理标准化、数智化发展趋势， 围绕医药研发管理过程中涉及到的物料管理、样品管理、

患者咨询类 医学研究类 医疗文件类 病历模板 适用场景：快速生成标准化的病 历摘要，方便医护查阅。 研究文章总结模板 适用场景：快速提取研究文章的 核心内容，用于学术交流或临床 参考临床试验概述模板 适用场景：为临床试验提供简洁 介绍，便于同行了解研究设计和 目标 DeepSeek 在医学检验中的应用实例报 道 场景七：患者指引 优化患者体验，提供个性化信息 患者在进行各类实验室检查时，往

断设备分类做出了如下说明 ：若诊断软件借助算法 提供诊断建议，仅具有辅助诊断功能而不直接提供 诊断结论的按二类医疗器械进行注册申报 ；若对病 变部位加以自动识别且能清晰提供诊断提示的按三 类医疗器械申报且需做临床试验美国FDA批准的医 学人工智能产品有 3 项 [12]，分别是Arterys、IDX-DR 和Guardian Connect（Medtronic）。Arterys主要作用 是在肺部CT、肝脏CT和MRI中发现病变，基于人工 机应用程序的一个产品，可以提前 10~60 分钟预测 血糖水平的主要波动。 美国这些产品经历的审批过 程都很漫长，以IDX-DR为例，审批过程约需要 7 年 时间，IDX-DR审批过程大致包含软件认证预确认、 临床试验、重复性研究、图像采集培训课程认证等。 智能医学产品的监管审核需要建立一系列的认证规 则，只有经过严格的监督评价后才能用于临床，我国 需要积极推进监管审核流程。 4 展 望 我国尚处于智能医学的起步阶段，数据整合、标

保证训练数据的质量和数量是训练大模型的关键。这需要通过严格的数据采集、清洗 和标注过程，以及合理的数据管理和保护策略来实现。 在数据采集与清洗方面，应确保收集的数据来自可靠、合规的数据源，如医疗机构的 电子健康记录、医学文献数据库和临床试验数据。消除数据中的错误、噪音和冗余信 息，确保数据的一致性和准确性，包括处理缺失数据和异常值。 在数据标注和注释方面，对于监督学习任务，需要进行标注和注释以生成带有标签的 数据。这需要医学专家的 在数据共享和合作方面，与其他医疗机构、研究团队或合作伙伴分享数据，以扩大数 据集规模。数据共享和合作可以加速模型的训练和研发。使用数据共享协议和隐私保 护措施，确保患者敏感信息的保密性。 在主动数据收集方面，设计医学研究或临床试验，有针对性地收集数据，以满足特定 任务的需求，包括患者招募、数据采集和监控。利用远程监测和医疗设备来实时收集 患者数据，能够有效提高数据的时效性和质量。 在数据质量监控方面，建立数据质量监控系统，定期检查和评估数据的质量。如果发

检查建议和计划 相似病例查询 辅助生成 治疗建议和计划 l J 医学文献 / 指南解读 科研方向预测 报告匿名化 / 结构化 代码辅助生成 临床科普文生成 赋能临床试验 智能预问诊 智能导诊 / 导医 （体检）报告解读 疾病描述 健康生活智慧管家 健康风险预测 预诊断常见疾病 症状评估 就医指引 就诊服务 实验室结果解读 中医诊疗 用药咨询与指导

疗机构提供精准的决策支持。 在中医药健康产业中，DeepSeek 技术主要应用于以下几个方 面： 1. 数据整合与管理 DeepSeek 能够将分散在不同系统中的中医药数据进行整合， 包括患者病历、药材流通信息、临床试验数据等。通过统一的 数据管理平台，用户可以快速访问和分析这些数据，提高工作 效率。 2. 智能诊断与推荐 基于机器学习和自然语言处理技术，DeepSeek 能够分析患者 的症状和历史病历，智能推荐适合的中医药治疗方案。通过不 数据驱动的决策支持是 DeepSeek 在药物研发中的另一大优 势。通过整合实验数据、临床数据和市场反馈，DeepSeek 能够为 研发团队提供实时的数据分析报告，帮助团队及时调整研发策略。 例如，当某种药物在临床试验中出现不良反应时，DeepSeek 可以 快速分析相关数据，识别问题根源，并提出改进方案。 以下是一些具体的应用场景和数据实例： - 药物分子筛选：利 用 DeepSeek 分析 10,000 构化的知识网络，为中医药的研发、生产、销售和临床应用提供智 能化支持。 首先，数据采集是知识图谱构建的基础。DeepSeek 利用自然 语言处理技术，从古籍如《黄帝内经》《伤寒杂病论》，现代期 刊、专利、临床试验报告等非结构化文本中提取关键信息，并结合 结构化数据如药材数据库、方剂数据库、穴位图谱等，形成初步的 知识库。数据采集的重点在于确保数据的权威性和全面性。 其次，数据清洗与预处理是确保知识图谱质量的关键步骤。通

力，已经为计算机视觉(cv)及自然语言处理(nlp)等领域带来了突破性的 进展。现在，AI的魔力已经被逐步引入药物研发的领域，并正在深刻地 改变这个领域的研究和发展流程。无论是在早期的药物筛选、药物优 化，还是在药物的临床试验和后期的上市监控，AI的应用都愈发广泛。 本文将简要的概括药物研发的流程，并深入探讨AI在药物研发的第 一步: 靶点发现中的作用，以及它如何为这个过程带来革新。 药物研发的整体流程 药物的

和评估建议；并在基层卫生机构集中部署落地服务。 • 通过 B/S 架构，实现多点接入，实时调阅老人的健康信息。 针对养老人群的专家库 • 经过多年和上海多家三甲医院的合作，结合国内外前沿临床试验研究成果，针对 60 岁 以上老人的治疗、诊断、护理、康复方面建立了专家知识库，为老人的健康评价、风 险评估、危险预警建立了大量细分的知识模型，实现了老年人群的智能评估和健康指 导建议。 便携智能检测设备

复旦大学附属中山医院医疗技术协作中心 复旦大学附属眼耳鼻喉科医院协作医院 清华大学医院管理研究院实践基地 浙江大学湖州研究院数字健康研究中心 国家级住院医师规范化培训基地 国家级全科医师规范化培训基地 国家药物临床试验基地 国家级胸痛中心 国家级高级卒中中心 国家级房颤中心 国家级高血压达标中心 国家级标准化代谢性疾病管理中心 国家级上消化道出血救治中心 中国创伤救治联盟湖州分中心 浙北泛血管医学中心