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

Technical guidance for the design of patient- focused clinical trials (Trial version) [以患者为中心 的药物临床试验设计技术指导原则（试行）]. Center for Drug Evaluation, NMPA. https://www.cde.org.cn/main/news/viewInfoComm Technical guidance for the implementation of patient-focused clinical trials (Trial version) [以患 者为中心的药物临床试验实施技术指导原则（试 行）]. Center for Drug Evaluation, NMPA. https://www.cde.org.cn/main/news/viewInfoComm 42380bd (accessed February 2025). • Center for Drug Evaluation, NMPA. (2024). 在罕见 疾病药物临床研发中应用去中心化临床试验的技术 指导原则 [Technical guidance for the application of decentralized clinical trials in rare disease

约挂号、诊 疗服务、费用结算、检验检查等在内的各个环节，将极大提升患者的就医体验。 同时，AI 助力 生物分子结构预测与生成、加快靶点识别和发现， 提升药物分子设 计与 优化， 提升临床试验的效率， 有效地缩短新药研发周期、降低研发成本、 加速新药上市，为医药创新带来新的动力。 AI 已经深入医疗健康的各个层面，成为连接医疗机构、科研机构、制药企 业以及广大患者的重要纽带，助力 智慧病案与患者管理 22 医学研究与教学 23 5 AI 加速医药创新发展 24 药物研发与设计 25 药物筛选与 ADMET 性质预测 27 临床试验设计与优化 28 6 AI 助力健康管理 29 健康监测与评估 30 健康指导与干预 31 智能健康保险 32 趋势篇 7 AI+医疗健康应用趋势展望 产品占据了大多数，这些产品在辅助诊断、影像处理等方面 发挥了重要作用。 7 医疗健康行业 AI 应用白皮书 2 医疗健康行业 AI 应用全景 AI 技术已经逐步渗透到医疗健康的全产业链，从制药环节的药 物研发、临床试验、药物推广，到治疗的诊前、诊中、诊后全 生命周期，再到个人日常健康管理，以及包括健康保险、公共 卫生管理等的医疗服务生态，均得到全面覆盖，大大提高医疗 服务效率和质量，提升居民的医疗可达性和便利性。

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、

制药蓝海市场，人工智能赋能药研全流程 人工智能赋能新药开发，是指在规模化医药数据基础上，运用机器学习、深度学 习、自然语言处理等技术参与药物开发各个环节，包括靶点发现、化合物合成、 化合物筛选到患者招募、临床试验设计等，通过 AI 技术的运用有效解决传统新 药研发痛点，缩短研发周期，提高研发成功率，降低研发成本。根据 DPI 援引英 矽智能数据，通过 AI 技术能将 ISM001 分子发现时间由传统手段的 长 使用 AI 技术提取患者数据，快速匹配最合适 入组患者，降低临床开发风险 NLP、DL、ML、OCR 临床试验设 计及优化 优化受到局限，效率低 AI 通过机器学习和认知计算能力，从海量靶 点、临床试验数据中学习成功和失败经验， 设计优化当前临床试验方案 NLP、DL、ML 药物重定向 效率低，很难找到最适适应症 使用 AI 技术开发新适应症，将老药与罕见疾 首个由 AI 发现的具有全新 靶点和全新分子结构的候选化合物 ISM001-055 等事件为标志，全球 AI 制药行 业进入突破期，AI 药企开始追求端到端的服务能力，同时开始自建管线完成并推 动临床试验完成。与此同时，Big pharma 逐步认识到 AI 制药的潜力，行业合作 和投资案例增多，2021 年 5 月 BMS 与英国 AI 制药头部企业达成超 12 亿美元 的合作，AI 管线商业价值逐步得到体现。

.....................................................................................36 2.5 药物研发与临床试验.................................................................................................. ........................................................................................39 2.5.2 临床试验数据管理.............................................................................................. 未来一段 时间内的医疗需求，从而帮助医院合理分配资源，减少患者等待时 间，提高医疗服务的响应速度。 在临床研究领域，DeepSeek 技术可以加速新药研发和临床试 验的过程。通过分析大量的临床试验数据，它能够识别出有效的药 物组合和治疗方案，缩短研发周期，降低研发成本。例如，通过分 析癌症患者的基因组数据和治疗反应，DeepSeek 可以识别出最有 效的治疗方法，为癌症治疗提供新的思路。

“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

“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

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、

• 互动性、个性 化 患者流程 • 内容⽣产辅 助 • 管理营销素 材 • 营销内容策 划 • 患者招募 • 试验设计优 化 • 执⾏效率提升 新药研发与 临床试验 • 客户精细化标签 • 个性化与医⽣互动 • 交叉证据⽹ 络 构建 提升新药研发和 临床管理效率 数字化内部流程 提效 更个性化、 互动 ⾏业学术化推⼴ ⽣产与 DeepSeek 对于医疗体系有那些影响？ - 医 院 医院 24 研发⽅向探索 • 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 试验设计优化 • 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 提升新药研发和 临床管理效率 云深 智药 • 患者招募 • 试验设计优化 • 执⾏效率提升 • 内部⽂档提效 • 数字化知识库管理 • 合规风险智能提醒 新药研发与 临床试验 数字化内部流程 提效 ⽣产与 供应链 多渠道营销 学术化推⼴ • 交叉证据⽹络构建 患者服务 31 ROI 优化 • 明确应⽤场景：不是所有场景需要 AI • 混合部署策略