这篇Nature，打破原有规则！

第一作者：Ruishan Liu

通讯作者：James Zou，Ryan Copping

通讯单位：美国斯坦福大学，Genentech公司

临床试验的难点

临床试验是确定新疗法是否安全有效的主要方法。试验能否取得成功的关键在于符合条件的代表性样本能否及时登记。除此之外，招募足够多的人来对试验结果得出具有统计学意义的结论可能是当前的一个难点问题。

研究内容——真实数据+人工智能用于肿瘤试验

美国斯坦福大学James Zou教授和Genentech公司的Ryan Copping等人在开发了一种软件工具，该工具提供了一种数据驱动的方式，通过学习真实世界的癌症患者临床数据来优化资格标准的包容性和安全性。

图2 各个资格标准的影响

大多数试验使用的资格标准将参与者限制在低风险人群中（健康或年轻人），然而将孕妇、老年人或除感兴趣的情况外有其他疾病的人拒之门外。如此规则主要是为了从样本中排除身体脆弱、免疫系统弱或对药物毒性耐受性低的人。这些个体的这些特征可能会影响研究样本的一致性，并产生一些令人困惑的数据。这种方法不但阻止了一些可能从试验治疗中获益的人，而且可能导致参与者的不足，从而推迟或终止整个试验。研究人员越来越认识到，临床试验的合格标准应该简化和减少限制条件，并且能够在临床上更好地证明其合理性。然而，由于缺乏以证据为基础的方法来制定这些决策，因此以临床上有意义的方式使资格标准具有包容性是一项极大的挑战。设置资格标准的常规方法很大程度上取决于对过去试验的标准的重用或试验设计者的任意决定。

近年来，电子健康记录（EHR）的广泛采用使人们的临床数据可以更大的规模被获得。近期的研究表明，使用EHR数据可以评估资格标准的修改如何扩大有参与能力的人群，从而提高临床试验的统计能力。然而，目前还缺乏一种软件工具，能够通过使用EHR数据模拟临床试验来系统评价合格标准。

美国斯坦福大学James Zou教授和Genentech公司的Ryan Copping等人通过开发了一个开源的人工智能(AI)工具来解决了这个问题，称之为“试验探路者”(Trial Pathfinder)。该工具可以使用EHR数据来比较接受或未接受特定药物治疗的患者的生存状况。这样的仿真试验为我们提供了一种方式来了解如何通过评估治疗的有效性以及试验纳入和参与者安全性之间的权衡来优化资格标准。

研究者使用Trial Pathfinder的计算框架，通过真实数据系统地评估了不同资格标准对癌症试验人群和结果的影响。使用来自全国电子健康记录数据库的数据模拟了晚期非小细胞肺癌的完整试验，该数据库包含61,094名晚期非小细胞肺癌患者。分析结果发现了许多通用标准，包括基于多个实验室的排除标准，对试验风险比的影响最小。当使用数据驱动的方法来扩大限制性标准时，合格患者的数量平均增加了一倍以上，总体生存的风险比平均降低了0.05。这表明许多不符合原始试验标准的患者可能会从治疗中受益。通过对其他类型癌症的分析结果和来自各种临床试验的患者安全性数据，进一步支持了该研究的结论。用于评估资格标准的人工智能数据驱动方法可以在帮助设计更具包容性的试验的同时，保持对患者安全的保障。

研究展望

这项研究可能会促进AI技术用于选择最佳的临床实验参与者，从而进行除癌症以外的其他疾病的临床试验。但是，要做到这一点，就需要克服EHR数据质量局限性方面的主要挑战。

参考文献

1、Liu, R., Rizzo, S., Whipple, S. et al. Evaluating eligibility criteria of oncology trials using real-world data and AI. Nature (2021).

DOI: 10.1038/s41586-021-03430-5

https://doi.org/10.1038/s41586-021-03430-5

2、Chunhua Weng, et al. AI uses patient data to optimize selection of eligibility criteria for clinical trials. Nature (2021)

DOI: 10.1038/d41586-021-00845-y

https://doi.org/10.1038/d41586-021-00845-y

来源：纳米人