2025年3月，Drug Discovery Today上发表文章
AI: An essential tool for managing the burgeoning complexity of clinical development in pharmaceutical R&D，文章
探讨了人工智能如何成为管理药物研发中临床开发复杂性增长的关键工具，涵盖从制造、试验设计、数据分析和监管提交等全流程应用，同时强调需解决算法偏见和数据整合等挑战，并指出AI驱动的协作模式将重塑工作方式以加速新疗法开发。
生物医学领域的深刻进步为药物研发创造了大量机遇。如今，研发人员肩负着在日益增多的治疗靶点、治疗方式和测量技术中筛选出有效方案的重任，以期将变革性药物带给患者。以人工智能为代表的数字技术，为应对临床开发日趋复杂的挑战提供了极具前景的解决方案。从生产制造到试验设计，从数据分析到监管文件提交，人工智能带来的早期成效已初见端倪。通过人工智能有效管理临床试验的复杂性，或将催生新型工作模式--相较于当前各自为政的协作方式，未来将更注重数据共享可见性，并转向前瞻性而非被动响应的协作模式。
药物研发者面临的最棘手挑战（同时也是最重要的机遇）是
如何应对药物开发各阶段日益增长的复杂性
。这些挑战正是生物医学取得非凡成就和加速发展的直接结果。基因组测序技术结合数十年生物分子科学研究，催生了大量潜在药物靶点及其组合，以及包括传统小分子药物、生物制剂、核酸疗法、细胞与基因疗法，以及双靶点CAR-T细胞疗法、双/三特异性抗体和抗体药物偶联物等创新疗法在内的多种治疗方式。研究人员还开发出不断扩展的生物标志物清单（包括数字和分子标志物）用于监测与评估
。
这种进步使得临床开发面临巨大挑战，
需要协调管理生产制造、临床试验设计、患者招募与保留、可穿戴设备与其他数字健康技术（DHTs）、数据收集与分析、文件编制及全球监管提交等环节。
随着治疗产品日益多样化、试验设计愈发精密、精准筛选特征明确且具有适当多样性的患者群体变得愈加紧迫、来自DHTs等渠道的数据量与种类持续攀升，以及全球监管机构的期望与要求不断演变扩展，每个环节的复杂性都在显著增加。
正如经济史学家James Bessen所述，技术使企业能够管理前所未有的复杂性，并将这种能力转化为竞争优势--沃尔玛丰富的商品品类就是典型案例。
对药物研发者而言，新兴的数字与数据能力（尤其是人工智能）是极具潜力的工具。
若能明智开发并合理部署，将助力其更有效应对当前面临的复杂性挑战。正如经济学家Paul David和Carlota Perez所指出，学习如何利用新兴技术往往比支持者预期的更加困难且耗时。但若想确保当代生物学取得的非凡成就最终转化为造福患者的创新疗法，掌握这些技术诀窍至关重要。
虽然人工智能在临床开发中的应用尚处早期阶段，但其影响力已开始显现（图1）
。
图1. 人工智能对临床开发的新兴影响
生产制造：
制药企业应用人工智能最早且最成熟的领域当属生产制造。人工智能可识别原料药供应链中的低效环节与瓶颈，通过流程优化减少活性药物成分浪费。在质量控制方面，人工智能可用于疫苗瓶细微缺陷检测。对于个性化癌症疫苗、细胞与基因疗法等高度定制化方案的开发与规模化部署，人工智能也将发挥关键作用。
临床试验设计：
从适应症选择到终点指标确定，从入排标准制定到合格患者筛选，临床试验设计涉及药物开发中的关键决策。人工智能工具可通过协助选择适当标准、优化试验模型、评估试验设计对患者与研究者的负担、优先考虑潜在适应症等方式，帮助研究人员应对日益复杂的试验设计决策。借助临床协变量调整等技术，人工智能工具还能降低样本量需求，提升信噪比。通过分析大规模真实世界数据和历史试验结果，人工智能可优化终点指标选择并完善入排标准，确保受试者招募更具针对性且更高效。此外，人工智能驱动的模拟可预测试验可行性与结果，支持适应性设计以减少时间、成本和失败率。
受试者招募与保留：
临床试验实施过程中，如何识别、招募并保留受试者始终是行业难题。近期报告显示，近40%的临床试验因招募困难导致严重延误，14%的研究中心未能招募到任何患者。在肿瘤学研究中，36%的中心未能招募到患者，神经科学领域该比例更高达55%。人工智能可通过促进受试者筛选、优化研究中心地理布局、识别潜在挑战以实施早期干预等方式提供助力。数字虚拟形象可简化试验操作流程，提升受试者参与度与体验。此外，人工智能还能利用"数字孪生"技术构建对照组模型，这对研究罕见病或致死性疾病患者尤为重要。
数字健康技术（DHTs）：
由人工智能驱动并经过验证的DHTs（通常采用可穿戴设备形式）展现出作为测量工具的潜力。通过持续被动收集受试者数据，DHTs能提供个体功能随时间变化的详细信息。例如，MAGIC试验证明，在临床和家庭环境中，DHTs可高可靠性收集儿科人群步态与身体活动数据。另一项经过验证的AI驱动脑电图可穿戴设备，有望为发作性睡病研究者的III期研究提供有力工具。
数据收集与分析：
临床试验数据需按预设方案进行严格追踪、监测、审查、清理和分析。人工智能可强化基于风险的试验监测，通过聚焦问题高发区域并增强跨中心比对能力，显著减少人为错误、降低人工工作量与成本。人工智能工具还能自动识别试验数据差异并生成质询，消除大量人工审查需求，减少错误并缩短试验延误。例如，辉瑞与Saama科技合作开发的智能数据质询（SDQ）工具，在新冠疫苗试验中将末例患者末次访视（LPLV）至数据库锁定（DBL）的时间从数月缩短至数周。
文件编制与监管提交：
新药申请（NDA）通常超过10,000页，涵盖临床试验数据、生产细节和PK/PD数据。NDA编制需6-12个月，监管审查还需6-10个月。未来，人工智能将自动生成监管文件草案，整合源数据表、生物标志物、PK/PD数据、患者叙述与目标产品概况的动态链接。通过实时更新与可追溯性，这种AI驱动方法将提升效率与准确性。内置人工审核机制确保文件完整性。人工智能还能预判监管质询并协助主动回应。这些增强功能将改变监管格局，促进企业内部及企业与监管机构间的协作，加速新疗法上市进程。
临床开发中的人工智能面临
算法偏差（源于训练数据不平衡）和医疗数据异构性导致的数据整合困难等挑战
。应对算法偏差需采用公平性审计工具和多样化代表性数据集。数据整合问题正通过先进的数据协调技术与互操作平台解决。在临床试验数字孪生应用中，准确建模因地而异的标准治疗（SOC）是重大挑战。通过将新患者记录迭代整合到模型中，持续优化数字孪生以匹配现实世界的变异性和不断演进的SOC标准，可有效应对这一挑战。这些前瞻性措施确保人工智能系统在多样化临床环境中保持可靠、透明和适用
。
