Nature新子刊！孫繼明團隊揭示AI助力臨床試驗：精準匹配研究者，提升試驗效率與公平性

臨床試驗是醫學進步的基石，其成功與否高度依賴于研究者和試驗中心的合理選擇。然而，傳統的招募方式效率低下、存在地域局限且易產生偏見，導致大量試驗中心入組不足甚至無一人入組。據統計，高達80%的臨床試驗因招募問題而延誤，每日造成的經濟損失可達60萬至800萬美元。面對海量試驗數據和研究者信息，如何快速、精準地找到最合適的研究者，同時確保受試者人群的多樣性，已成為制約臨床試驗發展的關鍵瓶頸。

2026年3月6日，自然系列期刊《Nature Health》在線發表了一項由美國伊利諾伊大學厄巴納-香檳分校的孫文明教授領銜的團隊完成的研究，題為《Matching clinicians with clinical trials using AI》。研究團隊開發了一種名為DocTr的跨模態深度學習框架，旨在通過人工智能優化臨床試驗研究者的匹配過程。

研究團隊首先構建了一個獨特的大型鏈接數據集，整合了ClinicalTrials.gov的試驗文檔、IQVIA醫療索賠數據庫中的患者就診記錄以及OpenPayments數據庫中研究者與試驗的支付關系。在模型性能評估方面，DocTr在包含24,984名臨床醫生和5,210項試驗的數據集中表現卓越。與當前最優的基線模型相比，DocTr的推薦相似度得分提高了58%，展現出強大的零樣本學習能力和魯棒性。即使面對完全未見過的全新試驗，其性能下降幅度也遠小于傳統模型。

在公平性與效率優化方面，研究引入了遺傳算法對推薦結果進行后處理。優化后的推薦在種族和民族公平性熵值上分別比實際情況提升了9%和25%，意味著推薦名單中包含了更多樣化的受試者群體。同時，該算法成功將每位被推薦研究者正在參與的競爭性試驗平均數量降至接近零，有效避免了資源沖突和過度招募。

在成本預測方面，DocTr模型同樣展現了實用價值。通過對嵌入向量的相似性檢索，模型對試驗總成本的預測一致性相關系數（CCC）達到0.83，對單個研究者總成本的預測CCC為0.75，對研究者單例入組成本的預測CCC高達0.84。這些精準的財務指標預測可為臨床試驗的預算規劃和資源配置提供有力的數據支持。

READING

BioPeers

歡迎關注本公眾號，所有內容歡迎點贊，推薦??，評論，轉發~

如有錯誤、遺漏、侵權或商務合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務，無商業目的~