讓AI重跑舊試驗：EmulatRx用病歷資料測試臨床研究設計

臨床試驗最昂貴的錯誤，往往在第一名患者加入前便已埋下：納入條件過窄、終點難以從病歷取得，或關鍵混雜因素未被妥善處理。Weill Cornell Medicine團隊開發的EmulatRx，嘗試讓多個AI代理先以既有電子健康紀錄「重跑」歷史試驗，藉此檢查研究設計是否可行。這套系統的同儕審查研究已刊登於《Nature Communications》，但定位仍是研究工具，而非取代前瞻性臨床試驗的證據來源。

研究人員評估了20項試驗模擬，其中10項急性疾病研究採用重症照護資料庫MIMIC-IV，另10項慢性疾病研究則使用INSIGHT Network資料。後者整合紐約五個醫療體系的病歷，使團隊得以測試系統在不同疾病時間尺度與臨床情境下，能否從真實世界資料重建既有治療比較。

EmulatRx並非由單一聊天機器人包辦分析，而是配置五個角色節點：Supervisor協調流程，Trialist擬定試驗架構，Clinician處理臨床意義，Informatician將納入條件與變項對應至電子病歷，Statistician則估計因果效果並解讀結果。這種分工試圖把臨床研究中原本需要反覆協調的工作，轉化為可追蹤、可修訂的計算流程。

在多項模擬中，系統重現了歷史研究曾報告的治療效果，並辨識出部分患者次群的差異。技術資料另以加護病房敗血症患者的皮質類固醇試驗為概念驗證：系統調整資格條件、處理缺失變項並修訂共變項後，所得平均治療效果與風險比方向和原隨機試驗一致。這類結果顯示，它或可在正式收案前協助研究者發現資料缺口、估算可行族群，或比較不同方案設定可能帶來的影響。

不過，從歷史資料得到相近答案，不代表系統已能預測一場新試驗。電子病歷的紀錄方式、治療選擇與患者組成均可能造成偏差；未被量測的混雜因素，也不會因代理數量增加而消失。作者因此指出，目前驗證僅限於MIMIC-IV與INSIGHT，跨資料庫、跨醫療體系及更多疾病領域的適用性仍未獲證實，因果估計也需要專家審查。

EmulatRx的1.0.0版程式已透過Zenodo保存，提供可引用的實作快照；Weill Cornell的技術資料則顯示，美國專利申請已提出，未來用途可能延伸至上市後療效研究、藥物安全監測、適應症擴張與老藥新用。真正決定其價值的，不只是能否重現舊試驗，而是能否在不同醫院、不同資料品質與尚無標準答案的新問題中，持續產生透明且可驗證的分析。