資策會科法所線上論壇系列（三）：AI 引領臨床試驗變革，開創智慧藥學新時代

隨著人工智慧（AI）浪潮席捲全球，國際生醫製藥業界也順勢迅速轉型。台灣在全球 AI 發展處於戰略中心地位，也擁有強大的資通訊產業作為後盾，大有潛力成為智慧製藥技術的應用發展場域。為探討 AI 與數位科技如何促進製藥業創新，特別是在全球法規環境下的挑戰與機遇，由經濟部產業技術司指導，財團法人資訊工業策進會科技法律研究所（資策會科法所）於 8 月 21 日主辦「智慧藥學 — AI 與數位科技的製藥創新」線上論壇。活動當日反應踴躍，數以百計參加者同步上線共襄盛舉。

科法所生醫衛政組黃毓瑩組長在致歡迎詞時提到，AI 不僅有助加速藥物發現，也可以提升臨床試驗效能、改善受試者體驗。然而，監管當局與業界也決不能忽視 AI 帶來的社會倫理問題和資訊安全風險。因此，透過國內、區域甚至全球層面的合作，基於風險預防原則制訂明確且可行的法規和倫理框架，對建立安全可信賴的 AI 使用環境至關重要。

延伸閱讀：資策會科法所線上論壇系列（一）：國際專家暢談基因治療與再生醫學法規趨勢

臨床試驗複雜性與日俱增，導入 AI 成為熱門新趨勢

主辦單位邀請到臨床試驗軟體公司 Medidata 解決方案業務專員 NaHyun Kim 博士擔任演講嘉賓，她不僅分享 AI 和機器學習（合稱 AI/ML）如何引領藥物研發及臨床試驗創新，也和與會者共同探索如何在技術革新與法律合規之間找到平衡。首先她指出在過去十多年間，臨床試驗涉及的療效指標數量、受試者資格標準和病人每次就診時需要完成的步驟均持續增加，可見臨床試驗正變得愈趨複雜。當中牽涉 CAR-T 細胞和精準醫學等創新技術的試驗情況尤其明顯，隨之而來就是需要安排更多專門臨床試驗機構，試驗計畫書也愈來愈複雜，繼而令招募受試者難度顯著上升。令人震驚的是，有數據顯示約 50% 的試驗機構未能達到其招募目標，當中更有 37% 的試驗機構完全招募不到受試者。族群多樣性也是另一大障礙，數據指出在全球性試驗中，約 73% 受試者為白種人，如此不平衡的族群組成顯然難以滿足 FDA 的要求。

Kim 博士也留意到生技公司在藥物開發和臨床試驗中導入 AI 正逐漸成為潮流。縱觀 2016 至 2021 年間向美國 FDA 提交的藥物和生物產品監管申請，涉及 AI/ML 的案件數量在短短一年間（2020-2021）就飆升好幾倍，應用範疇橫跨藥物發現、非臨床開發、臨床試驗和上市後監測等不同階段，實質應用包括療效和毒性預測、藥理學建模、影像、視訊和語音分析、以及採用真實世界數據的表現型分析，這些技術都是優化研究設計和改善試驗結果的關鍵推手。

借助 AI/ML 應對臨床試驗痛點，提升效率並改善受試者多樣性

針對前述的痛點，Kim 博士認為 AI/ML 確實可以帶來新轉機。在受試者招募方面，AI 演算法可以分析龐大的資料集，包括臨床試驗紀錄、社群媒體和病人名冊，以找出合適受試者。借助預測式 AI 模型，研究人員可以根據病人對治療產生反應的可能性對他們進行分層，提升招募效率。此外，AI 還能根據各試驗機構過去的績效資料，找出成功機率最高的國家和場所，減低因選址表現不符預期而導致試驗延誤甚至失敗的可能性。

針對族群多樣性的難題，AI 工具可幫助藥廠識別出更大機率招募到不同人種受試者的試驗機構，以確保能符合 FDA 的要求。此外，在試驗進行期間，Al/ML 可透過被動資料蒐集技術，從受試者身上獲取所需資訊，或從已有資料中擷取更多有用資訊。AI 也可以整合從各類從數位健康科技（Digital health technologies，DHT）工具蒐集得來的資料，掌握病人狀況並建立檔案，從而預測潛在不良事件，避免受試者因嚴重副作用而被迫退出試驗。

延伸閱讀：資策會科法所線上論壇系列（二）：專家剖析核酸藥物技術突破與法規議題

巨大臨床資料集領先業界，Medidata 以 AI 引領製藥創新

另一方面，Kim 博士又以 Medidata 過去的成功個案為例，講解 AI/ML 如何改良臨床試驗的設計和運作。作為臨床試驗技術創新先驅企業，Medidata 目前擁有業界規模最大的臨床和操作資料集，涵蓋全球逾 33,000 個研究，涉及受試者總數超過 1,000 萬人，其預測式模型可對應超過 145 種適應症。藥廠可以利用資料集搭配 AI/ML 演算法，在試驗開始前預測最佳試驗機構和療效數據、尋找合適的收案人群、推估所需受試者人數、識別具有未滿足醫療需求的病人亞群、以及釐清潛在安全風險。這樣不僅能為試驗設計提供明確指引，也可避免因投放資源在本來沒希望達成的療效指標而造成浪費。

其中一個案例是利用機器學習建立預測式模型，協助生技公司預測 CAR-T 細胞療法試驗中可能出現的嚴重不良事件。當時 Medidata 團隊以此預測出導致細胞因子釋放症候群（Cytokine release syndrome，CRS，是一種會引發全身性炎症反應、可能令試驗被迫中止的嚴重不良事件）的風險因素，準確率超過 80%。憑藉 AI 模型的預測結果，研究人員能防患未然，調整試驗規劃並制定緩解策略，以防止試驗失敗並改善療效。

另一個成功個案是利用 AI 和大數據平台，找出表現不佳的試驗場所及其背後成因，並以表現較佳的試驗機構取代。這個操作結果成功幫助某家製藥大廠挽救了一項原本表現不佳的腫瘤學臨床試驗，使其病人招募進度加快了超過 6 個月，大大節省了成本。

AI 輔助臨床試驗前景可觀，法律與倫理議題需謹慎處理

進入專家互動討論環節，Kim 博士談到製藥公司在將 AI 和數位技術整合到產品生命週期中時所面臨的挑戰。她重申試驗機構表現不佳、繼而導致試驗延誤和成本急增是難倒不少藥廠的重大難題。過去應對這個問題的傳統方法只能依賴研究團隊本身，或者受託研究機構（CRO）協助，可是人力畢竟有其局限。所幸 AI 技術能提供一條嶄新的出路，讓研究人員能實時監控各個試驗機構的表現。然而，她亦補充說 AI/ML 並非靈丹妙藥，藥廠的定位應該視之為改良傳統試驗流程的工具，並設定明確的使用目標，而不是以 AI 完全取代傳統操作。

至於對未來的展望，Kim 博士特別提及一些極具潛力的創新技術，其中一例是模擬真實病人數據，利用生成式 AI 產生合成資料（Synthetic data）並將之應用於臨床試驗中。合成資料既能保障患者隱私，也能為探索性分析和 AI 模型訓練提供參考。尤其對於籃型臨床試驗（Basket trial，用於癌症研究，收症時不考慮病人腫瘤來源，而是以其擁有的基因體變異或生物標記物種類為根據），合成資料可用作建立虛擬對照組、識別治療模式和預測不良事件，讓研究設計更臻完善，避免在試驗期間才發現問題而要中途修改計劃，繼而令試驗進度受阻。

此外，在後疫情時代逐漸興起的去中心化臨床試驗也是值得留意的新趨勢，AI/ML 在當中也能大派用場。事實上，包括 FDA 在內的不少監管機構也正積極為生技製藥和臨床試驗相關公司提供指導，並分享將 AI/ML 導入臨床研究的實戰經驗。因此，Kim 博士相信 AI 與數位技術在藥物臨床研發領域的應用勢必愈趨普遍。然而，她也不忘提醒製藥公司在使用 AI 時須謹慎考量箇中利弊，並與監管機構通力合作、及早溝通，確保 AI 的應用符合法規標準和倫理原則。