资策会科法所线上论坛系列（三）：AI 引领临床试验变革，开创智慧药学新时代

随着人工智能（AI）浪潮席卷全球，国际生医制药业界也顺势迅速转型。台湾在全球 AI 发展处于战略中心地位，也拥有强大的资通讯产业作为后盾，大有潜力成为智慧制药技术的应用发展场域。为探讨 AI 与数位科技如何促进制药业创新，特别是在全球法规环境下的挑战与机遇，由经济部产业技术司指导，财团法人资讯工业策进会科技法律研究所（资策会科法所）于 8 月 21 日主办“智慧药学 — AI 与数位科技的制药创新”线上论坛。活动当日反应踊跃，数以百计参加者同步上线共襄盛举。

科法所生医卫政组黄毓莹组长在致欢迎词时提到，AI 不仅有助加速药物发现，也可以提升临床试验效能、改善受试者体验。然而，监管当局与业界也决不能忽视 AI 带来的社会伦理问题和资讯安全风险。因此，透过国内、区域甚至全球层面的合作，基于风险预防原则制订明确且可行的法规和伦理框架，对建立安全可信赖的 AI 使用环境至关重要。

延伸阅读：资策会科法所线上论坛系列（一）：国际专家畅谈基因治疗与再生医学法规趋势

临床试验复杂性与日俱增，导入 AI 成为热门新趋势

主办单位邀请到临床试验软件公司 Medidata 解决方案业务专员 NaHyun Kim 博士担任演讲嘉宾，她不仅分享 AI 和机器学习（合称 AI/ML）如何引领药物研发及临床试验创新，也和与会者共同探索如何在技术革新与法律合规之间找到平衡。首先她指出在过去十多年间，临床试验涉及的疗效指标数量、受试者资格标准和病人每次就诊时需要完成的步骤均持续增加，可见临床试验正变得愈趋复杂。当中牵涉 CAR-T 细胞和精准医学等创新技术的试验情况尤其明显，随之而来就是需要安排更多专门临床试验机构，试验计画书也愈来愈复杂，继而令招募受试者难度显著上升。令人震惊的是，有数据显示约 50% 的试验机构未能达到其招募目标，当中更有 37% 的试验机构完全招募不到受试者。族群多样性也是另一大障碍，数据指出在全球性试验中，约 73% 受试者为白种人，如此不平衡的族群组成显然难以满足 FDA 的要求。

Kim 博士也留意到生技公司在药物开发和临床试验中导入 AI 正逐渐成为潮流。纵观 2016 至 2021 年间向美国 FDA 提交的药物和生物产品监管申请，涉及 AI/ML 的案件数量在短短一年间（2020-2021）就飙升好几倍，应用范畴横跨药物发现、非临床开发、临床试验和上市后监测等不同阶段，实质应用包括疗效和毒性预测、药理学建模、影像、视讯和语音分析、以及采用真实世界数据的表现型分析，这些技术都是优化研究设计和改善试验结果的关键推手。

借助 AI/ML 应对临床试验痛点，提升效率并改善受试者多样性

针对前述的痛点，Kim 博士认为 AI/ML 确实可以带来新转机。在受试者招募方面，AI 算法可以分析庞大的资料集，包括临床试验纪录、社群媒体和病人名册，以找出合适受试者。借助预测式 AI 模型，研究人员可以根据病人对治疗产生反应的可能性对他们进行分层，提升招募效率。此外，AI 还能根据各试验机构过去的绩效资料，找出成功机率最高的国家和场所，减低因选址表现不符预期而导致试验延误甚至失败的可能性。

针对族群多样性的难题，AI 工具可帮助药厂识别出更大机率招募到不同人种受试者的试验机构，以确保能符合 FDA 的要求。此外，在试验进行期间，Al/ML 可透过被动资料蒐集技术，从受试者身上获取所需资讯，或从已有资料中撷取更多有用资讯。AI 也可以整合从各类从数位健康科技（Digital health technologies，DHT）工具蒐集得来的资料，掌握病人状况并建立档案，从而预测潜在不良事件，避免受试者因严重副作用而被迫退出试验。

延伸阅读：资策会科法所线上论坛系列（二）：专家剖析核酸药物技术突破与法规议题

巨大临床资料集领先业界，Medidata 以 AI 引领制药创新

另一方面，Kim 博士又以 Medidata 过去的成功个案为例，讲解 AI/ML 如何改良临床试验的设计和运作。作为临床试验技术创新先驱企业，Medidata 目前拥有业界规模最大的临床和操作资料集，涵盖全球逾 33,000 个研究，涉及受试者总数超过 1,000 万人，其预测式模型可对应超过 145 种适应症。药厂可以利用资料集搭配 AI/ML 算法，在试验开始前预测最佳试验机构和疗效数据、寻找合适的收案人群、推估所需受试者人数、识别具有未满足医疗需求的病人亚群、以及厘清潜在安全风险。这样不仅能为试验设计提供明确指引，也可避免因投放资源在本来没希望达成的疗效指标而造成浪费。

其中一个案例是利用机器学习建立预测式模型，协助生技公司预测 CAR-T 细胞疗法试验中可能出现的严重不良事件。当时 Medidata 团队以此预测出导致细胞因子释放症候群（Cytokine release syndrome，CRS，是一种会引发全身性炎症反应、可能令试验被迫中止的严重不良事件）的风险因素，准确率超过 80%。凭借 AI 模型的预测结果，研究人员能防患未然，调整试验规划并制定缓解策略，以防止试验失败并改善疗效。

另一个成功个案是利用 AI 和大数据平台，找出表现不佳的试验场所及其背后成因，并以表现较佳的试验机构取代。这个操作结果成功帮助某家制药大厂挽救了一项原本表现不佳的肿瘤学临床试验，使其病人招募进度加快了超过 6 个月，大大节省了成本。

AI 辅助临床试验前景可观，法律与伦理议题需谨慎处理

进入专家互动讨论环节，Kim 博士谈到制药公司在将 AI 和数位技术整合到产品生命周期中时所面临的挑战。她重申试验机构表现不佳、继而导致试验延误和成本急增是难倒不少药厂的重大难题。过去应对这个问题的传统方法只能依赖研究团队本身，或者受托研究机构（CRO）协助，可是人力毕竟有其局限。所幸 AI 技术能提供一条崭新的出路，让研究人员能实时监控各个试验机构的表现。然而，她亦补充说 AI/ML 并非灵丹妙药，药厂的定位应该视之为改良传统试验流程的工具，并设定明确的使用目标，而不是以 AI 完全取代传统操作。

至于对未来的展望，Kim 博士特别提及一些极具潜力的创新技术，其中一例是模拟真实病人数据，利用生成式 AI 产生合成资料（Synthetic data）并将之应用于临床试验中。合成资料既能保障患者隐私，也能为探索性分析和 AI 模型训练提供参考。尤其对于篮型临床试验（Basket trial，用于癌症研究，收症时不考虑病人肿瘤来源，而是以其拥有的基因体变异或生物标记物种类为根据），合成资料可用作建立虚拟对照组、识别治疗模式和预测不良事件，让研究设计更臻完善，避免在试验期间才发现问题而要中途修改计划，继而令试验进度受阻。

此外，在后疫情时代逐渐兴起的去中心化临床试验也是值得留意的新趋势，AI/ML 在当中也能大派用场。事实上，包括 FDA 在内的不少监管机构也正积极为生技制药和临床试验相关公司提供指导，并分享将 AI/ML 导入临床研究的实战经验。因此，Kim 博士相信 AI 与数位技术在药物临床研发领域的应用势必愈趋普遍。然而，她也不忘提醒制药公司在使用 AI 时须谨慎考量个中利弊，并与监管机构通力合作、及早沟通，确保 AI 的应用符合法规标准和伦理原则。