人工智能可以改进临床试验过程的关键部分，包括选择和招募以及病人监测。学习，研究发表于药理学趋势.。研究人员指出，将一种新药推向市场需要10到15年的时间，花费15亿至20亿美元，其中大约一半的时间和资金用于临床试验。但研究小组称，尽管有大量投资，临床试验的失败率仍然很高。临床试验失败的主要原因是招募和选择技术不佳，以及无法有效监测病人。人工智能工具已经成为可行途径为了改善这些过程，提高临床试验的成功率，研究人员说。人工智能不是一颗神奇的子弹，在很大程度上是一项正在进行的工作，但它对医疗保健和药物开发的未来有很大的希望。
研究人员和赞助商已经在使用人工智能来简化甄选和招聘过程，该小组说。选择和招募病人参加临床试验通常是主要原因有86%的试验未能在截止报名前完成。研究人员说：“每一项临床试验都对参与试验的患者提出了关于受试资格、适宜性、动机和授权的个别要求。”
他说：“符合资格的病人可能并不是在疾病的阶段，或属于某一特定的亚表型，而这种亚表型是被测试的药物所针对的，因而使该病人不适合。”符合资格和合适的病人可能得不到适当的激励，即使他们参与其中，他们也可能不知道是否进行了相应的试验，或认为招聘过程过于复杂和繁琐，难以驾驭。“
人工智能工具可以通过以下方式帮助加强病人的选择减少种群异质性选择更有可能有一个可测量的临床终点的病人，并确定一个更有能力对治疗作出反应的人群。像这样的技术自然语言处理NLP和机器学习可以改善电子表型等过程，这是一种降低种群异质性的方法。电子表型可能是一项复杂的任务，需要复杂的方法来识别多个数据类型和病人记录的异质性。
研究人员说：“虽然早期依靠手工制定的规则的方法对于简单的案例是有效的，但对更复杂和更微妙的案例来说，它们是不够的。”近年来，人们越来越多地致力于设计各种各样的机器学习方法，从自然语言处理到关联规则挖掘，再到深入学习，这些方法在处理复杂的现实世界中表现出了巨大的进步。“除了提高电子表型，人工智能方法可以帮助患者了解复杂的临床试验合格标准。研究人员说：“使用人工智能技术(如NLP和ML)的辅助系统可以自动分析EHR和临床试验资格数据库，查找特定患者与招募试验之间的匹配，并将这些匹配推荐给医生和病人。”这种基于人工智能的临床试验匹配系统已经被成功地证明，并在现实生活中证明了它们的价值。“
AI工具还可以帮助赞助商在整个临床试验中监控患者的行为和对药物的反应，从而帮助他们跟踪潜在的病人退出情况。研究小组指出，临床试验的平均退出率为30%，而只有15%的临床试验没有病人退出。如果患者因为不遵守试验规程而退出临床试验，赞助商必须招募更多的参与者，导致大量费用和延误。
研究人员说：“为了遵守标准，患者必须对他们的药物摄入量以及与他们的身体功能、对药物的反应和日常生活协议有关的各种其他数据进行详细记录。”“这可能是一项艰巨而繁琐的任务，导致平均40%的患者在150天的临床试验后不再粘附。”研究人员说，可穿戴设备和视频监控可以自动收集这些数据，使患者的过程更容易。机器学习深度学习模型然后可以实时分析这些数据，为临床试验研究者记录任何相关事件。
更重要的是，临床试验管理人员甚至可以使用人工智能技术来预测某些患者的退出风险。研究人员说：“发现不遵守规定的早期预警信号，可以主动与个别病人接触，并可以解决问题行为的根本原因：例如，在导致退出之前，可以发现和纠正严重的副作用或研究与个人常规的不相容。”“传感器和分析模型的选择具有高度的疾病特异性，需要成为临床研究设计的一部分。”
虽然人工智能、机器学习和其他分析工具在简化临床试验过程和缩短药物开发时间方面有很大的潜力，但研究人员指出，这些技术目前还不应该应用于现实世界的试验中。在试验性研究中展示的人工智能能够被纳入临床试验设计之前，还需要做进一步的主要工作。任何违反研究协议或过早设定不合理预期的行为，都可能破坏人工智能在临床领域的信任，从而无法进入临床试验应用中。
更重要的是，临床试验管理人员甚至可以使用人工智能技术来预测某些患者的退出风险。研究人员说：“发现不遵守规定的早期预警信号，可以主动与个别病人接触，并可以解决问题行为的根本原因：例如，在导致退出之前，可以发现和纠正严重的副作用或研究与个人常规的不相容。”“传感器和分析模型的选择具有高度的疾病特异性，需要成为临床研究设计的一部分。”
虽然人工智能、机器学习和其他分析工具在简化临床试验过程和缩短药物开发时间方面有很大的潜力，但研究人员指出，这些技术目前还不应该应用于现实世界的试验中。在试验性研究中展示的人工智能能够被纳入临床试验设计之前，还需要做进一步的主要工作。任何违反研究协议或过早设定不合理预期的行为，都可能破坏人工智能在临床领域的信任，从而无法进入临床试验应用中。