使用人工智能将临床医生与临床试验匹配

为何为试验找到合适的医生很重要

每一种新药或疫苗都必须在精心设计的临床试验中进行测试。然而，许多试验难以找到足够的志愿者，或者招募的患者并不代表将来使用该疗法的真实人群。本研究的作者开发了一种名为 DocTr 的人工智能系统，帮助试验组织者选择应由哪些医生和诊所开展研究。通过改进这一“试验中心选择”环节，该系统旨在加速新疗法的获取，同时使研究更具包容性并提高成本效益。

医学研究中的隐性瓶颈

临床试验常常失败，并非因为治疗无效，而是因为未能招募到合适的患者。传统上，制药公司依赖人工搜索、人际网络和主观判断来决定邀请哪些医生参与。这一过程既缓慢，又倾向于优先考虑一小群知名研究者，并且往往忽视那些为多样化社区提供护理的潜在良好试验点。其结果令人沮丧：许多试验地点招募的患者远低于计划，有些甚至一个也没有，而延误可能导致赞助方每天损失数十万到数百万美元。

教计算机匹配医生与试验

DocTr 通过从若干大型真实世界数据源中学习来应对这一问题。首先，它读取来自 ClinicalTrials.gov 的公开试验描述，包括研究的疾病以及谁有资格参与。其次，它使用匿名的保险理赔数据来构建每位临床医生的档案，基于他们所治疗患者的类型——本质上是对其五年执业情况的快照。第三，它利用美国 OpenPayments 数据库，该数据库记录了与特定试验相关的业界对临床医生的支付。这些过去的支付关联可作为哪些医生实际参与过哪些研究的替代标记，为系统提供成功匹配的示例供其学习。

人工智能如何从文本、数值和网络中学习

为将这些要素结合起来，研究人员构建了一个既能理解语言又能把握数据模式的模型。其中一个组件使用医学版的 BERT 语言模型，将试验概要和入选/排除标准转换为捕捉语义的数学向量。另一个组件将每位医生的患者诊断组合总结为紧凑的表征。第三个部分将试验—医生的历史视为一个网络，并使用图学习技术来捕捉谁与谁在何领域有合作。DocTr 将这些信号融合为每一可能的试验—医生对的匹配得分，然后为每项新研究对临床医生进行排序。

更好的匹配、更公平的入组与更少的冲突

在对近 25,000 名美国临床医生和超过 5,000 项试验进行测试时，DocTr 推荐的临床医生名单比现有最佳方法与真实世界试验名册的相似度高约 58%。关键是，该系统不仅追求准确性。内置的优化步骤会重新调整顶级候选人，以促进种族、族裔和地理上的多样性，同时避开那些已参与许多其他研究、工作负担繁重的医生。与当前做法相比，这一过程提高了多样性评分，并将被推荐医生的平均重叠试验数量几乎降至零，而不牺牲匹配质量。

提前洞察成本与规划

由于 DocTr 也从支付记录中学习，它可以估算新试验或某位医生的招募可能花费。通过找到具有相似档案的过去试验和医生，系统可以生成与真实数据较为接近的费用和入组预测。这些预测并非完整预算，但为赞助方提供了一种比较选项、发现异常高成本方案并选择在速度、多样性与费用之间取得平衡的招募策略的方法。

这对患者与未来意味着什么

该研究表明，智能地利用现有数据可以使临床试验更可靠、更快捷且更公平。DocTr 无法修正所有偏差来源——例如写入方案中的过于限制性的入选标准——但它可以扩大被考虑的医生范围，帮助纳入那些常被排除在研究之外的社区。如果被采纳并在审慎监管下使用，像 DocTr 这样的系统可能缩短从实验室发现到现实世界疗法的路径，同时让更多患者有机会参与并共同塑造未来的药物。

引用: Gao, J., Xiao, C., Glass, L.M. et al. Matching clinicians with clinical trials using AI. Nat. Health 1, 290–299 (2026). https://doi.org/10.1038/s44360-026-00073-6

关键词: 临床试验招募, 医学中的人工智能, 试验中心选择, 健康公平, 医疗数据分析