IQVIA 临床研究创新白皮书总结
核心观点与背景
- 临床试验高级分析技术正从描述性向预测性，再向规范性演变，利用自动化、数据生成和人工智能（包括生成式AI和代理式AI）提升试验计划、设计和运营的可预测性。
- 赞助商和CRO合作伙伴通过利用新型工具和方法，可增强在设计与规划、试验管理方面的成功和质量。
- 成功的临床研究需周密的计划和管理，防范风险，确保受试者安全、数据质量、及时达成里程碑、优化患者招募和保留，并提升端到端效率。
分析演变与关键创新
- 分析的演变：描述性分析（总结历史数据）→ 预测性分析（预测未来事件）→ 规范性分析（建议具体行动实现预期结果）。
- 关键创新领域：
- 临床开发计划：利用AI和机器学习评估资产属性、临床环境，优化开发策略，考虑科学可行性、监管批准、商业潜力等因素。
- 研究设计优化：数字化临床试验方案，利用AI工具进行情景规划，快速生成招生策略场景，降低患者和站点的负担。
- 国家、中心和入组策略：AI工具预测入组率，提高国家特定试验参与的准确性，优化地域覆盖范围和时间表。
- 国家特定法规和合规：利用AI分析监管情报，加速站点启动，确保合规性。
具体技术与应用
- 整合 IQVIA 医疗级AI®进入临床前分析：
- 利用AI评估资产属性和特征，预测药物反应，识别和排序资产特性，加速对反应者和非反应者的临床理解。
- GenAI智能体查询知识图谱，识别可行药物靶点，匹配适应症，调查有前景的MoAs，生成科学评估和见解。
- 协议优化：
- AI工具对协议进行数字化，识别潜在风险（如患者负担、站点负担、复杂性），提供精确评分系统，优化设计元素。
- 生成式AI推荐，根据类似协议分析提供策略建议，权衡取舍，提升入组和数据收集潜力。
- 快速生成招生策略场景：
- AI工具利用精选数据集（真实世界患者信息、历史数据等）快速估算入组率，提高预测准确性。
- 通过分析识别“隐藏”负担关键领域，调整协议以减少负担，消除招募和保留障碍。
未来展望
- 自主AI在临床研究中的作用日益增长，通过高级分析技术进一步提升试验的可预测性、质量和效率。
- 结合改进的数据生成、专业知识和领域经验，赞助商和CROs可更有信心地利用创新实现临床试验项目更好结果。
