“722”事件后，NMPA（当时为 CFDA）相继发布了《关于开展药物临床试验数据自查核 查工作的公告》《关于调整药物临床试验审评审批的公告》等文件，引发了国内 EDC、 RTSM 市场的繁荣，太美医疗等企业在系统中植入 AI，使其顺势成为药企数字化的关键 要素。 如今 FDA 鼓励药企采用数字健康技术（DHT）进行临床试验申办，间接引导着药企的 进一步开展转型。以 eCOA 为例，美国约 已经采购了相应的数智化系统，率 先享受到了 AI 赋能后的管理红利。 制药 AI 方面，绝大多数创新药企都对医疗 AI 持积极态度。不过，大多数药企在药物发 现阶段均倾向于自研 AI，而到了临床试验，更多药企习惯于采购成熟的第三方综合解决 方案，降低成本并规避研发风险。 5 6 第二章：自我突破，医疗 AI 形态异变 政策与提效两大购置动力支持下，国内已经孕育了一大批医疗人工智能产品，嵌入了医 IT 大模型落地的典例。 2.3 制药 AI：下行时期，在变化之中寻找新的机遇 自 2020 年制药 AI 在一级市场迎来爆发性增长后，大量创业公司将其管线推至临床阶段。 此前，AI 主导的进入临床试验阶段的创新药项目仅为个位数。2021 年这一数字已迅速 增长至 100 多个，2022 年维持增势突破 200，2023 年进一步提升，管线数量迈入 300 大关。 趋势之下，阿斯利康、拜耳、罗氏、礼来及赛诺菲等等

供应商关系管理 获取 AI 收益 收益和效率的提高，具体取决于价值链所属环节 AI 主要应用领域 • 产品组合优化 • 药物发现 • 分子生成 • 生物标记开发 • 临床试验设计 • 临床试验数据分析和报告撰 写 • 市场研究 • 营销组合优化 • 现场人员优化 • 宣传材料制作 • 关键意见领袖（ KOL ） 管 理 • （医疗）知识管理 应用得当时， AI 对药物发现时间和成本减少的潜在影 响 到临床前候选药物 (PCC) 的成本 ( 百万美 元 ) 1 临床前候选药物 (PCC) 是指在早期实验室研究和动物模型中显示出良好效果、但尚未在人体临床试验中进行测试的化合物或候选药 物 到临床前候选药物 (PCC) 的时间 ( 年 ) 基线 AI 赋能流程 基线 AI 赋能流程 基线 AI 赋能流程 基线 AI 赋能流程 基线

管理营销素材 • 营销内容策划 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化 患者流程 • 多重购买渠道 患者服务 多渠道营销 ⽣产与 供应链 新药研发与 临床试验 学术化推⼴ • 65岁以上⼈⼝占⽐从 2014年的10.1%升⾄ 2023年的14.9%，医 疗需求激增1 ⼈⼝⽼龄化 • 收⽀失衡加剧，控费 边际效应减弱2 • 职⼯医保：结余稳健但增速 以得到释放 医学数据结构化提取、标准化 24 新药研发：借助⼤模型，提升药品研发的效率和速度 • 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 • 客户精细化标签 • 个性化与医⽣互动 • 多源信息来源 • 互动性、个性化患者流程 • 多重购买渠道 腾讯⼤数据 腾讯健康药箱 患者服务 多渠道营销 ⽣产与 供应链 新药研发与 临床试验 学术化推⼴ 云深智药 DeepSeekJ会给医药企业带来哪些变化？—“技术为⾈，业务为舵” 懂业务者锚定价值，好奇⼼驱动突破 31 ⼤模型虽好，使⽤需谨慎 数据授权和管理 • 避免透露个⼈信息：⽐如⼿机号码、

GSK、强生为代表的大药企亦在积极布局AI制药领域，一方面运用AI技术加强数据管理决策并 深度融合至药物开发流程之中，一方面不断加强与AI制药专业公司合作，运用后者专业的技术平台，赋能药物发现和临床试验。建议关注AI 制药领域进展及具备潜力的海内外前沿公司：晶泰控股-P、皓元医药、药石科技、药明康德、成都先导等。 请务必阅读正文之后的免责声明及其项下所有内容 医疗健康是AI最大的应用领域 01 Insight，国信证券经济研究所整理 全球AI制药的市场快速扩张，AI技术布局药物研发全产业链 ◼ AI技术参与药物研发的多个阶段。从靶点发现、虚拟筛选、蛋白质 结构预测、ADMET预测到临床试验等多个研发阶段，AI技术均能参与 其中，全面布局在药物研发的上、中、下游产业链。 ◼ AI制药行业市场规模快速增长。根据MedMarket Insights预测， 2023年全球AI制药行业的市场规模为12 02亿美元，2022-2031年复合增长率约为27.2%。 AIDD 制药流程 新药发现 蛋白质结构预测 AI应用模块 AI模型 药物从头设计 虚拟筛选 靶点的发现和识别 ADMET预测 晶型预测 逆合成预测 临床试验 新药开发 临床阶段 知识图谱 机器学习 深度学习 自然语言处理 大语言模型 请务必阅读正文之后的免责声明及其项下所有内容 数据来源：智药局，国信证券经济研究所整理 AI技术深度参与药物研发全产业链

例如，在临床前研究环节，把得到活性数据结合化合物结构得到初步构效关系，以指导后续结构优化；若效果不理想，则需 要退回上 一步，重新合成，非常耗费时间；人工智能则可以提高筛选效率，优化构效关系。此外，在临床试验阶段，寻找匹配的病 人参与试验 十分耗费时间；而人工智能能够结合医院数据，快速找到符合条件的病人；  人工智能与药物挖掘结合最典型的案例，是硅谷公司 Atomwise 通过 IBM 超级计算 生物分析服务；提供小分子药物分析、生物标记物 等服务 隽永生物 生物数据分析平台；通过大数据挖掘，利用云计 算虚拟仿真生物模型，改善实验室研发效率 生物奇点 科学研究服务；识别常规科研流程难以发现的相关 性、精准匹配临床试验受试者等  产品形态：辅助医学研究平台之上，公司为生物医学研究者提供综合性技术服务。  数据收集 / 存储与统计分析、基因测序等生物信息分析。 3 医疗企业业务  业务模式：虽然辅助医

并消解其中的歧义。系统利用自然语言处理技术，深度挖掘和分 析医疗文本的信息，它可以快速批量抓取病历中的信息生成一个 结构化数据库。 大大提高了临床管理数据的效率，降低了研究的实施成本； 同时能够应用于临床试验、真实世界研究、不良事件追踪、患 者管理随访等方面； 图：病历结构化处理软件界面，蛋壳研究院。 人工智能+医学研究，医疗大数据标准化，真正实现“二次”利用 我们所关注的人工智能+医学研究重点

通过预测模型优化资源配置，在以下方面产生直接效益： - 住院床 位周转率提升 12% - 急诊分级分诊误差率降低至 3.2% - 手术室利 用率提高 18.5% 医药研发辅助场景 在临床试验阶段，智能体可快速完成： - 受试者筛选条件匹配 - 不 良事件报告自动归类 - 试验方案偏离预警 这些场景的实现均基于 DeepSeek 智能体特有的医疗知识图谱 （包含 450 临床决策支持智能体：集成知识图谱与循证医学规则库，提供 DDx 鉴别诊断建议 2. 流程优化智能体：基于强化学习动态调整门诊资 源分配，实测降低候诊时间 23% 3. 科研分析智能体：自动生成符 合 CONSORT 标准的临床试验分析报告 知识管理子系统 建立动态更新的医学知识库，采用增量学习机制保持内容时效性。 每周自动抓取 PubMed 最新文献，通过置信度加权算法更新诊疗 指南，关键性能指标包括： - 知识检索准确率≥98%（基于 同步放化疗（顺铂+依托泊苷）+ ” 度伐利尤单抗维持治疗 2. 替 代方案：当患者存在禁忌症时（如肾功能不全），自动替换为卡铂 为基础的化疗方案 3. 实验性方案：针对罕见病例或治疗失败患 者，提供临床试验筛选结果（如 Phase III 的 KRAS G12C 抑制剂试 验） 治疗方案对比分析表（以 2 型糖尿病为例）： 方案类 型 药物组合 预期 HbA1c 降 幅 低血糖 风险

帮助研 究人员更快地发现新的治疗方法和药物靶点。例如，在药物筛选过 程中，一体机可以通过大规模数据分析，快速识别出具有潜在治疗 效果的化合物，缩短药物研发周期。此外，一体机还可以协助进行 临床试验数据的分析，提高试验的准确性和可靠性，为新药的上市 提供有力支持。 最后，DeepSeek 智算一体机在医疗安全管理中的应用也不容 忽视。一体机可以通过数据加密和访问控制技术，确保医疗数据的