FDA試用AI盯緊臨床試驗，藥物審查開始走向即時訊號時代

當一項藥物進入人體試驗，真正昂貴的不只是招募病人與等待結果，還有時間本身。安全警訊若太晚浮現，病人承擔風險；有效性線索若被埋在分散資料裡，研發與審查也可能繞更長的路。美國食品藥物管理局（FDA）如今把人工智慧與資料科學工具引入這個灰色地帶，試圖讓臨床試驗的變化更接近即時可見。

根據Axios報導，FDA已啟動一項AI與資料科學試點計畫，用於即時追蹤臨床試驗中的安全性與療效訊號。這項概念驗證目前涉及兩個藥物開發案例：阿斯特捷利康的淋巴瘤藥物，以及安進的小細胞肺癌藥物。從目前公開資訊看，這仍是早期試行，而非監管審查規則的全面改寫。

這類工具的核心用途，在於把臨床試驗期間不斷累積的資料，轉化為更早期、可檢視的訊號。例如不良事件是否在特定病人族群中聚集、某些療效指標是否提前呈現趨勢，或資料缺口是否影響判讀。對癌症試驗而言，這些問題尤其敏感，因為受試者往往病情急迫，試驗設計也常在療效希望與安全界線之間拉扯。

不過，即時監測並不等於即時定論。AI模型能協助整理、標記與提示異常，卻不能取代臨床判斷、統計設計與監管責任。若資料本身不完整、病人族群過小，或試驗終點尚未成熟，演算法很容易把雜訊包裝成訊號；反過來，也可能因模型假設而低估罕見但重要的安全問題。

這也是FDA此舉的制度意義所在。監管機關若要在審查流程中使用AI，不只要問工具是否準確，還要問它如何被驗證、由誰解讀、在什麼條件下觸發後續行動，以及藥廠與審查員能否追溯模型提出提示的依據。臨床試驗資料牽涉病人安全與藥物核准，透明度與可稽核性會比一般效率工具更難妥協。

對藥廠而言，若這類方法日後成熟，可能改變試驗管理與送審準備的節奏。研發團隊有機會更早發現需要調整的風險，也可能在資料清理、趨勢分析與監管溝通上減少等待。但它未必會自動縮短每一項試驗；真正決定時間表的，仍包括疾病自然史、終點成熟速度、受試者招募，以及證據是否足以支持臨床效益。

目前可取得的同事件資訊有限，尚無足夠細節判斷FDA採用的模型類型、訓練資料來源、驗證結果或具體決策門檻。也因此，這項試點最重要的訊號不是AI已能接管臨床試驗，而是美國藥物監管正在把即時資料分析納入正式工作流程的邊緣測試。若試驗證明可行，未來的新藥審查可能不只看一份完成後的資料包，也會更重視資料在試驗進行中如何被看見、解釋與處理。