臨床試驗的AI焦點，正從找藥轉向找人與建信任

當AI在生物醫學的討論逐漸從「能不能設計新分子」移向「能不能讓臨床試驗更可行」，問題也變得更貼近病人。臨床試驗不是單純的資料工程，而是由醫師、受試者、倫理審查、監管要求與藥廠決策共同交織的高風險系統；任何演算法若要進入其中，都必須面對證據、透明度與信任的檢驗。

Applied Clinical Trials Online於7月9日發布的ACT Brief，將三個題目並列：多模態AI系統架構、以信任為基礎的試驗招募，以及大型製藥公司的AI轉型。由於公開摘要未提供完整技術細節、企業名稱或具體臨床數據，這則訊息更像是一個產業訊號：AI在臨床開發中的角色，正從單點工具擴張為流程型基礎設施。

所謂多模態AI，放在臨床試驗語境中，通常意味著系統不只讀取結構化表格，也可能整合病歷文字、影像、檢驗數值、試驗文件與受試者回報結果。這類架構若運作得當，可能協助篩選符合條件的病人、偵測資料異常、整理試驗文件，或讓研究團隊更快掌握安全性訊號；但它也會把資料來源差異、偏誤累積與模型可解釋性問題一併放大。

受試者招募尤其是AI最容易被期待、也最容易踩到界線的場景。臨床試驗長期面臨招募不足、條件複雜與族群代表性不足等困難，AI可用來比對納入與排除標準、協助找出潛在候選人，甚至改善試驗資訊傳達。然而，若病人不知道資料如何被使用，或模型把特定族群系統性排除在外，效率就可能以信任為代價。

因此，「信任型招募」不是一句公關語，而是一組具體要求：資料使用需有清楚同意與治理機制，篩選建議需能被研究者覆核，招募訊息不能誤導病人對療效的期待，系統表現也應在不同疾病、地區與族群中接受檢驗。對監管者與倫理委員會而言，問題不只是AI有沒有提高招募速度，而是它是否改變了誰能看見試驗、誰被邀請參與，以及誰被排除。

大型藥廠的AI轉型則代表另一層壓力。生成式AI與機器學習已被導入文獻整理、標靶評估、試驗設計、醫學寫作與營運管理，但臨床開發的核心仍是可重複、可稽核、可被監管接受的證據。若AI只停留在提升內部效率，影響有限；若它開始左右試驗設計、病人分層或安全監測，企業就必須建立更嚴格的驗證、責任歸屬與人工覆核制度。

**背景脈絡**

近期生醫AI討論已不再只圍繞「AI找藥」的想像。候選分子能否走到核准，仍取決於人體試驗能否證明療效與安全；而臨床試驗本身的速度、品質與公平性，正成為AI下一個更艱難的考場。ACT Brief提出的幾個關鍵詞雖然摘要有限，卻共同指向同一件事：生醫AI若要從展示能力走向改變醫療研發，必須先在臨床現場學會接受約束。