美国医疗保健企业安西布尔健康公司（AnsibleHealth）近日完成的一项新实验表明，在没有经过专门训练或加强学习的情况，基于OpenAI开发的大型语言模型ChatGPT 成功通过了美国职业医师资格考试 （USMLE）。而后者通常需要医学生四年学习和两年的临床实习才能通过。这并不是ChatGPT首次出道。宾夕法尼亚大学沃顿商学院的的研究发现，ChatGPT可以轻松成功完成典型的MBA核心课程运营管理考试。

随着OpenAI开发的大型语言模型ChatGPT的广泛覆盖，人工智能的学习迭代及其在新药研发实践中的探索迅速升温。正在开展的诸多研究正在通过改善风险评估、数据缩减、临床决策支持、运营效率及患者沟通优化，验证人工智能在几乎所有医学学科和专科中发挥的多功能作用。我们有理由相信，ChatGPT最终将在新药临床开发的各个环节中大显身手。

1 新药开发现状

新药开发的生命周期漫长而煎熬，尽管大流行期间新冠疫苗及相关特效药的开发进展快如闪电，但将一款新药从实验室推向临床通常需要工业界花费10到12年的时间，其中仅临床试验阶段就需要5-7年时间才能完成。然而，无论是处于安全性、有效性还是伦理、监管等方面考量，这种谨慎而漫长的探索都是及其必要的。

即便这样，新药开发环节上的各相关参与方（患者、医生、药企、监管机构）都希望在符合监管规则和约束条件的条件下，能最大程度缩短周期。患者期待新的治疗方案提高其生活质量，医生希望把最好的治疗方案带到临床，药企希望药物更早获批上市以获得更丰厚的回报，监管机构希望对外展示其更高的监管效率而不是经常被抨击因循守旧、阻碍创新。

与临床前阶段相对标准化的药化、生物、毒理研究不同，临床开发阶段涉及的流程纷繁复杂。医学撰写、受试者招募与管理、SMO现场管理、药物发放及管理、临床监查、生物分析、药物警戒、数据管理和统计、注册事务等不同环节对学科及能力的要求各不相共同。受试者个体间的生化指标的差异，进一步加大了临床试验环节引入人工智能解决方案的难度。我们究竟该从哪些环节以及何种方式加快新药临床开发，使更好的药物能够更快的惠及患者？

2 临床开发痛点

临床试验研究流程的庞杂同样意味着我们有足够的机会去锁定那些拖慢速度的黑洞。意识到特定的环节的瓶颈后，结合人工智能（AI）的强大网络，通过端到端的流程设计，完全有可能将临床试验周期缩短数月乃至数年。

1数据的孤岛

药物开发成本高昂，失败率高，财务和社会负担巨大。然而我们大多数疾病数据却存在于数据孤岛中，需要跨学科合作的额外努力才能换来临床试验效率提升并产生高质量的数据。

无论是在团队内部还是在团队之间，及时、高效地共享临床数据至关重要。提道数据共享大部分人的第一反应是EDC或CTMS系统。临床CRO或制药企业可能配备有相关的SAAS软件用来监控试验中心、管理试验文档，连接研究者及受试者，跟踪方案依从性和偏差。

但是，不同的系统之间往往是割裂的，这进一步加剧了数据访问性、审计性和透明性的风险。基于单项解决方案的多系统糅合不可避免地导致数据架构意外脱节。这些决策和选择严重阻碍了临床开发的进展，高附加值的科研工作者不得不将时间浪费在低附加值的重复劳动上。研究者在不同系统之间频繁切换获取临床数据的过程，不仅仅是延长了完成试验所需的时间增加了出错的几率，更容易触发由此引发的合规风险。

因此，传统的临床研究决策和选择应该为基于人工智能（AI）的解决方案让路，搭建统一的管理系统以提高临床开发效率并主动规避合规风险。

2封闭的系统

1946年第一台电子计算机问世，1964年第一台超级计算机诞生，1997年深蓝击败象棋冠军，2017年OpenAI击败Dota2世界冠军，2018年AlphaFold成功预测了43种蛋白质中的25种，2021年AlphaFold2成功预测了98.5%的人类蛋白质结构，2023年ChatGPT通过美国职业医师资格考试。人工智能（AI）在以人类进化数百倍的速度迭代，而且其迭代进化的加速度也越来越快。

反观我们的临床试验，如果一项临床试验需要5年以上（甚至3年），最初选择的软件系统由于其依赖于人为的更新造成的相对封闭性将不可避免导致试验管理的落后，当然这不是某一家企业或某一项临床试验的问题。人工智能（AI）在十多年前还处于起步阶段，但现在一些头部CRO企业已经在探索人工智能如何帮助加快临床试验过程。在临床试验过程中，人为把系统升级到最高版本的确可以加快进展，但在试验中途宕机不但影响试验进展，还可能造成数据遗失乃至系统瘫痪。

而以ChatGPT为代表的人工智能基于深度强化学习技术，以及相关神经网络技术（seq2seq、GPT-2 和Transformer等）来实现自行会话模型的学习和训练，从而实现自我迭代学习机制。进入ChatGPT时代，手动升级几乎是可以避免的。同时，基于云的低代码自动化平台，实现互操作性并支持可组合架构需求，以帮助使连接系统和共享数据变得更加容易。

3缺乏整体安排

一项大规模国际多中心临床试验通常由多个国家和地区的数十个临床中心及上百个单位构成。这些过程中的每一个试验节点都有效率低下的可能，汇总起来对整个试验的效率影响可能是惊人的。

所以，临床开发效率最大的钳制来自缺乏整体流程的规划和安排。当ChatGPT可以解决这一问题时，效率提升的空间将大大增加。新药开发的流程不能简单地分成几个部分，这意味着相关的学科必须以综合集成的方式工作。然而，我们一直缺少的是一种在整个过程中推动工作的方法—以流程为中心的方法论。基于ChatGPT,构建基于现有操作系统之上的流程层，可以高效且经济地规划、指导和处理临床试验流程。

3 提高临床试验的效率

在 COVID-19 大流行之前的30年中，临床研究的范式几乎没有变化。疫情暴露了操作过程中许多固有的系统性局限性。这促使了临床试验的各参与方对试验管理重新思考和定位，这一改变催化和加速了该领域的底层创新。我们知道，一个给定系统中任何多余的浪费都会牺牲掉不必要的时间；同样，避免了这种浪费就可以争取到额外的时间。这将带来新的分子或治疗范式更快、更早地进入市场，为药企赚取更加丰厚的利润。最重要的是，前者也将更快、更早地惠及患者，显著改善他们的生活质量。

在不久的将来，以ChatGPT为代表的基于机器学习、深度神经网络和多模态人工智能（AI）的应用有望从多个角度优化临床开发，这包括临床方案设计、数据交互及整合、数字健康数据收集、患者招募及管理、标志物选择及分析、临床证据生成及全流程管理等。

从现在到未来的药物开发时间表

1研究方案设计

基于人工智能（AI）的临床方案设计可以帮助优化和加速以患者为中心的临床方案的建立，有助于减轻患者及研究者负担，减少入组数量，增加成功的可能性，并提高整体效率。

2数据整合交互

人工智能（AI）可将各种渠道的信息来源整合并创建结构化、标准化的数据集。基于新一代人工智能（AI）工具，在整个临床试验周期中可以实现数据管理自动化、信息迭代同步化。这些工具可以智能地分辨、解析、传递数据信息，并可实现临床试验报告（CTR）报告生成和分析。

这些工具可以利用现有系统无缝集成数据流，为临床试验期间的所有数据共享提供协作交互点。甚至可以使用人工智能从过去以及最新的试验中生成指导建议，以告知和改进未来的临床试验。试想一下，如果这样的话，信迪利单抗的命运可能会被改写。

3数字健康数据收集

人工智能正在推动更多创新的方式来收集临床试验数据，并减少对线下试验站点的依赖。考虑到大流行的极端情况，这种优势极为必要。例如，通过从传感器和可穿戴设备（如智能手环、心脏监测器、贴片和支持传感器的衣物等）捕获数据，研究人员可以远程监测患者的生命体征和其它信息，避免物理接触和侵入性。另外，人工智能算法与可穿戴技术相结合，也可以实现对研究执行和患者依从性的实时监测。

4案例分享：炎症性肠病（IBD）临床试验招募

在众多的医疗实践中，胃肠道疾病临床试验中患者入组筛查中内窥镜检查环节是最有希望从人工智能的帮助中获益的领域之一。炎症性肠病(IBD) 是一组不明原因的慢性肠道炎症性疾病，因发病率逐渐升高，已成为我国常见的消化系统疾病。在美国，炎性肠病（IBD）影响了300多万人的生活。

无论是制药企业还是临床研究人员均认为炎症性肠病（IBD）新药临床开发的关键障碍之一就是患者招募。在患者招募过程中，根据内窥镜结果的入排筛查标准高度依赖于临床医生的主观判断，这给新药开发和临床试验开展带来了极大挑战。临床医生用判断符合炎症性肠炎（IBD）临床试验条件的内窥镜疾病评分的可变性和主观性极大地消耗了研究者和制药公司的时间和精力。

而基于人工智能（AI）开发的软件可自动解析结肠镜检查图像、视频，进而研究者能够给特定患者标准化的内窥镜疾病评分。基于此，人工智能可用于改善炎症性肠炎（IBD）临床试验的招募，并最终建立稳健的标准，以评估临床开发中的有效性。

— 总结 —

利用人工智能（AI），研究者及制药企业从过去同时盯紧多中心分散的数据转变为锁定单个标准化的元数据。通过减少临床试验所需的时间和精力，基于人工智能的方案设计、数据收集、管理及协同可以加速药物开发过程，并帮助药企更快地将新疗法推向市场，让患者更快地获得可以改变甚至挽救生命的安全药物。

参考文献

1.https://analyticsindiamag.com/chatgpt-clears-the-united-states-medical-licensing-examination-usmle/

2.https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000198

3.Biotech 必读的哈佛商业评论-科学能不能成为一门生意？

4.https://www.news-medical.net/news/20230118/What-does-the-future-of-clinical-trials-and-evidence-based-medicine-look-like.aspx

5.https://appian.com/blog/2023/clinical-trial-efficiency-is-slowed-by-these-3-stubborn-challenges.html

6.https://www.genengnews.com/commentary/ai-has-the-potential-to-improve-efficiency-of-clinical-trials/

7.https://www2.deloitte.com/us/en/blog/health-care-blog/2022/using-ai-to-accelerate-clinical-trials.html

8.Subbiah, V. The next generation of evidence-based medicine. Nat Med 29, 49–58 (2023). https://doi.org/10.1038/s41591-022-02160-z