Nature子刊综述 | AI让临床试验多环节得到智能化提升
一篇发表在Nature子刊《npj Digital Medicine》（影响因子：15.357）的数字化临床试验文章指出，目前传统临床试验存在参与率过低、临床试验进展缓慢等问题。传统临床试验受试者招募、筛选、数据采集和质控等方面运营效率低下会导致受试者负担和成本增加，临床试验时间延长。
文章认为，数字化技术为克服临床试验问题提供新方案，因其可以扩大患者招募的覆盖范围、加快招募速度、减少脱落率、提升临床研究效率和数据质量，获得更高的研发成功率。
(来源：Inan OT, etc. Digitizing clinical trials. NPJ Digit Med)
数字化技术可以应用于临床试验全过程，在不同的环节有不同的技术和解决方案。其中，数字化受试者招募和保留、数字化健康数据收集，以及数字化分析是3个最常见应用场景。智能招募让临床试验受试者招募更快更准，HLT上期文章已作介绍（查看），本期将介绍自动化临床数据采集和数字化质控。
近年来，临床试验正进入以患者为中心的新时代，对于临床试验从电子化到智能化，国家政策有了非常明确的方向指引。新药研发和临床研究成为“十四五”期间的重点扶持方向，临床研究的蓬勃发展也对数据的质量提出了更高的要求。2022年8月国家药品监督管理局药审中心（CDE）连发3个与以患者为中心的临床试验相关的指导原则征求意见稿，鼓励使用多种新技术、新方法和新模式实施新型临床试验。
半个多世纪以来，临床试验的数据收集一直采用人工抄录的方法，周边相关流程如质控也都采用与人工抄录相适应的设计。人工抄录受限于人的固有特点，存在抄写时间长、标准不统一、难以收集海量数据、错误率较高等问题。
如何完整、及时、高效地采集数据变得尤为重要，同时也急需将现有流程程序化、采集工作自动化，eSource工具也就应运而生。
eSource应用于临床试验各个环节，eSource概念的发展，实际上是监管机构对eSource应用的逐步认可的过程。
根据美国食品药品管理局（FDA）的定义，电子源数据（Electronic Source Data）是以电子形式存在的最初记录的数据。电子源数据包括原始记录或经核证的副本中记录的如用于临床试验的重构和评估的临床发现、观察、或其它行为（在临床研究中）的所有信息。
很多临床试验同仁都希望，将源数据导入到EDC系统，就会节省大量的成本，提升效率，所以很多时候eSource直接被作为一个动词，描述从源数据到EDC的过程。
后来，欧洲药品监督管理局（EMA）建议把这个过程称作eSource DDC（Direct Data Capture），由此将eSource和eSource DDC区别开来。
eSource DDC技术是使用医疗机构的电子数据（或其他来源的电子数据），通过采集、结构化、标准化、映射与转换等步骤，使用程序生成项目数据的自动化技术，其核心在于结构化、标准化、多源异构数据整合、项目定制数据生成。结合可穿戴设备、ePro等技术，可更好地实现临床试验远程化、智能化。
经过多年探索，eSource-DDC的合规性得以确立。由于DDC的专业性，建设由第三方供应商完成，从合同关系角度分析，可以分为机构主导的DDC系统建设和申办方主导的DDC系统建设，目前已能够应用于大型多中心前瞻队列研究。是否适合使用eSource-DDC，需要从单中心（site）规模和终点指标复杂性维度衡量。
以下介绍一例eSource DDC在临床研究中的应用。
在一项了解某疾病的发病治疗模式以及费用负担情况的回顾性研究中，计划收集受试者的疾病特征、就诊访视、用药、费用等信息，某研究中心所在城市因疫情长期防控，CRC等项目组成员无法进入研究中心，研究者在疫情压力下也无法充分支持项目。
医渡科技旗下开心生活科技（以下简称HLT）在该项研究中部署实施了eSource DDC技术，根据相关授权和流程，采集了涵盖几十万个项目所需数据点；在数据质量方面，远超临床试验对数据质量的要求，具有更高的准确性和可靠性；在成本方面，相比人工录入节省了大约50%的费用。
数字质控/稽查的处理流程是AI算法+人工审核。AI分析和加工数据，产生可能性结果之后，人工审核判定和查漏补缺，将不确定部分进一步明确。例如，AE/合并用药漏报是CFDI检查结果中比较高频的缺陷，数字质控展示不同企业可能存在质量水平差异，数字质控产出定量结果，定量结果分析呈现的根本原因（root cause）更令人信服。数字质控的产出指标，可以作为KPI，评估不同项目、不同供应商、不同医院的质量水平，合理分配资源，降低风险。
利用诊疗数据提高SDV效率。数字质控中，EDC数据与诊疗数据完全匹配部分的数据，具有高可信度，根据方案占全部EDC数据点的30%-70%。在取得授权同意前提下，通过AI算法自动完成医院原始诊疗数据EHR与申办方EDC系统数据的比对，降低每次CRA监查工作量，释放CRA精力，与研究者/CRC更多沟通。
相比于传统的数据管理模式，AE自动识别工具采取人机结合的数字化运作模式，既满足试验数据准确性要求，又显著提高数据管理效率。
作为数据智能型CRO公司，HLT将自动化技术应用于AE提取中，自主研发了AE自动提取工具AIAE。在获得授权的前提下，配合轻量化算法服务，AIAE对试验数据进行深度分析，并利用AI技术自动提取AE记录，不仅操作便捷且安全，更能显著提高试验数据管理效率。
数字化质控的特点：
问题全面覆盖
告别抽样的数据质控模式，数字化质控可以全面发现EDC中不良事件与合并用药等临床试验数据的质量问题。
执行标准统一
告别传统质控的人工强依赖性，数字化质控利用算法的标准化、同质化、稳定的特点，实现统一的数据质控执行标准。
高效追根溯源
告别冗长且密集的人工错误核对过程，数字化质控通过AI机器学习算法快速发现数据问题并同时高质量快速完成溯源。
客观量化评估
告别无法量化客观评估的情况，通过全量的问题发现，以可量化的结果清晰的完成临床试验执行质量的评估，以及临床试验运行过程中风险的识别与发现。精准、全面、客观的发现临床试验的关键性缺陷。
便捷安全应用
告别传统电子系统应用的苦恼，轻量化的数字化质控解决方案是一个安全便捷的执行过程，无需复杂的系统搭建，更无需EDC系统的改造，保证多方的数据安全。全部执行流程在院内内网环节进行，数据不出院，安全有保障。
灵活多点介入
轻便的执行方式可以快速介入不同的项目执行结点。可应用在数据清理前，人员组织调整阶段，访视高峰后，关中心，国家核查前等不同的临床试验里程结点，服务不同的分析需求。
整体提效降耗
用数字化的质控解决方案解决重人力高成本的质控环节，释放更多CRA的能力与精力。
人机结合的数字化质控模式
（此过程以获得授权为前提）
AIAE应用了医学识体识别和语义分析两大关键技术，在医学数据识别与处理方面具有天然优势。相比于传统的数据管理模式，AE自动识别工具采取人机结合的数字化运作模式，既满足试验数据准确性要求，又显著提高数据管理效率。AIAE将CRC从繁琐的工作中解放出来，减少低水平的重复性劳动，连通了多个临床试验创新应用场景，具有非常广阔的应用前景。
临床研究数字化与自动化，可以提高临床试验质量和效率，降低成本和周期，最终目标是减轻受试者负担。数据录入及质控环节成本的降低，将明显降低项目总费用。
深度挖掘数据价值，让依赖经验的决策通过智能化辅助成为“证据确凿”的更优选择，将使新药研发更加智慧化。下一期，我们将介绍数据分析及真实世界研究如何为行业提供价值，敬请关注。
关于开心生活科技
开心生活科技（HLT）基于医渡科技集团在AI、医学知识图谱、疾病模型、安全隐私计算等技术方面的积累和经验，能够为药械企业提供覆盖产品全生命周期的一站式临床解决方案，在提升服务效率的同时降低服务成本，这也构成了医渡在市场上的核心竞争力。
HLT致力于引领中国临床研究的数字化转型，通过更加高效的协作机制及广泛的中心合作基础，优化的临床研究设计，制定高效运营策略，兼顾质量、成本、速度，以数据赋能提高效率和速度，在保证临床试验质量基础上，加速临床试验进度。以数据智能驱动，让临床研究更快更准。
延伸阅读
Read More
