用更快的AI驱动决策重新思考临床试验

药物开发仍然是生命科学领域资本最密集的活动之一。2021年发表在《临床与转化科学》上的一项同行评审研究发现，从临床试验开始到上市批准，候选药物的成功率约为10-20%，且数十年来没有显著变化。另一项发表在JAMA上的分析表明，III期试验由于患者入组人数更多、试验持续时间更长，占据了临床开发成本的最大份额。许多成本源于基于碎片化证据的决策——基于有限早期数据的选择剂量、孤立评估的安全信号，以及在大型试验已经开始后才了解的患者变异性。

在一次对话中，Emerj的Matthew DeMello与诺华公司PK科学与肿瘤学全球负责人Shefali Kakar讨论了AI如何通过更早地明确项目可行性和更精确地理解真实患者影响来改变药物开发。Kakar拥有近二十年的诺华工作经验，并在辉瑞担任过高级首席科学家，她领导全球PK科学和肿瘤学团队，推动临床药理学和剂量优化策略。

加速开发决策以改善资本重点

Kakar首先强调了传统药物开发中缓慢的顺序决策模式与AI驱动的集成证据方法之间的对比。历史上，团队逐步推进剂量和项目决策，每个阶段等待前一阶段结束，并依赖狭窄的数据片段。这种结构往往迫使组织在未完全了解可行性的情况下投入资本。AI建模改变了这一格局。通过集成建模，团队可以跨研究评估证据，更早地识别可行剂量策略。Kakar举了一个例子：一个适度数据集上的集成建模揭示了一种剂量无论每天一次还是每天两次（总剂量相同）都产生相同的疗效，而这一点在大型III期试验中并未被研究。她指出：“这种答案只有在不将剂量视为每个阶段的固定选择，而是将其视为整个证据库的连续体时才能获得。”这种能力使团队能够更早地做出继续/终止决策，并将资本集中在最有前景的候选药物上。

加深患者洞察以强化项目设计

Kakar反复强调的一个主题是，传统上团队对影响药物暴露的患者层面因素知之甚少。组织通常从小的、独立的损伤队列中工作，这些队列从未被设计来揭示肾脏或肝脏功能如何显著改变反应。结果不仅是学习缓慢，而且是碎片化的学习，每个研究只提供真实患者状况的部分画面。AI建模通过汇集大型III期试验的患者数据，可以检查特定协变量如何影响暴露或不良事件，而无需运行单独的子研究。Kakar描述了这种转变如何改变实际剂量决策：“过去，我们会运行一个单独的研究来了解肾脏损伤如何影响药物暴露。现在，我们可以直接在第III期试验中嵌入这个问题——观察已入组的患者，检查他们的肾功能如何与暴露或不良事件相关，并利用这些信息确定是否需要调整剂量。过去需要自己的队列，现在来自我们已经拥有的数据。”这种集成建模提供了对不同患者群体反应的更早了解，并在差异成为后期意外前调整剂量或监测预期。

对于企业团队来说，Kakar描述的模式——更早的剂量可行性明确、更少的大规模确证试验、以及跨阶段重新审视假设的能力——自然导致更快的继续/终止决策和更紧密的资本与最强证据机会的对齐。