Nature新子刊！孫繼明團隊揭示AI助力臨床試驗：精準匹配研究者，提升試驗效率與公平性

臨床試驗是醫(yī)學(xué)進步的基石，其成功與否高度依賴于研究者和試驗中心的合理選擇。然而，傳統(tǒng)的招募方式效率低下、存在地域局限且易產(chǎn)生偏見，導(dǎo)致大量試驗中心入組不足甚至無一人入組。據(jù)統(tǒng)計，高達80%的臨床試驗因招募問題而延誤，每日造成的經(jīng)濟損失可達60萬至800萬美元。面對海量試驗數(shù)據(jù)和研究者信息，如何快速、精準地找到最合適的研究者，同時確保受試者人群的多樣性，已成為制約臨床試驗發(fā)展的關(guān)鍵瓶頸。

2026年3月6日，自然系列期刊《Nature Health》在線發(fā)表了一項由美國伊利諾伊大學(xué)厄巴納-香檳分校的孫文明教授領(lǐng)銜的團隊完成的研究，題為《Matching clinicians with clinical trials using AI》。研究團隊開發(fā)了一種名為DocTr的跨模態(tài)深度學(xué)習(xí)框架，旨在通過人工智能優(yōu)化臨床試驗研究者的匹配過程。

研究團隊首先構(gòu)建了一個獨特的大型鏈接數(shù)據(jù)集，整合了ClinicalTrials.gov的試驗文檔、IQVIA醫(yī)療索賠數(shù)據(jù)庫中的患者就診記錄以及OpenPayments數(shù)據(jù)庫中研究者與試驗的支付關(guān)系。在模型性能評估方面，DocTr在包含24,984名臨床醫(yī)生和5,210項試驗的數(shù)據(jù)集中表現(xiàn)卓越。與當前最優(yōu)的基線模型相比，DocTr的推薦相似度得分提高了58%，展現(xiàn)出強大的零樣本學(xué)習(xí)能力和魯棒性。即使面對完全未見過的全新試驗，其性能下降幅度也遠小于傳統(tǒng)模型。

在公平性與效率優(yōu)化方面，研究引入了遺傳算法對推薦結(jié)果進行后處理。優(yōu)化后的推薦在種族和民族公平性熵值上分別比實際情況提升了9%和25%，意味著推薦名單中包含了更多樣化的受試者群體。同時，該算法成功將每位被推薦研究者正在參與的競爭性試驗平均數(shù)量降至接近零，有效避免了資源沖突和過度招募。

在成本預(yù)測方面，DocTr模型同樣展現(xiàn)了實用價值。通過對嵌入向量的相似性檢索，模型對試驗總成本的預(yù)測一致性相關(guān)系數(shù)（CCC）達到0.83，對單個研究者總成本的預(yù)測CCC為0.75，對研究者單例入組成本的預(yù)測CCC高達0.84。這些精準的財務(wù)指標預(yù)測可為臨床試驗的預(yù)算規(guī)劃和資源配置提供有力的數(shù)據(jù)支持。

READING

BioPeers

歡迎關(guān)注本公眾號，所有內(nèi)容歡迎點贊，推薦??，評論，轉(zhuǎn)發(fā)~

如有錯誤、遺漏、侵權(quán)或商務(wù)合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務(wù)，無商業(yè)目的~