临床医生做研究，最缺的永远是两样东西：时间和钱。

这不是借口，是结构性问题。门诊一天几十号人，值班排班不由自己，哪来时间做研究？课题经费靠申请，竞争激烈，大部分人拿到的钱根本覆盖不了一个高质量临床研究的成本。过去几年更难——药企赞助的大型临床试验在减少，政策环境收紧，做一个多中心随机对照试验少则几百万，多则过亿。

但高质量证据的需求没有减少。评职称要发文章，学科建设要证据，患者也需要知道这个治疗方案到底有没有用。

矛盾卡在三个具体地方：招对照组的患者贵、患者中途退出数据废掉、筛查特定指标的检测费高。这三个问题，AI正好能逐一击破。

本期，玩美数据特别邀请Oliver来为大家详细拆解这三条路径，下面我们逐一来看。

Oliver，医药数字化领域资深从业者，南大本硕背景，兼具互联网医疗与跨国药企数字化实战经验，现任MNC药企数字化负责人。

路径一：AI给每个患者生成一个 “虚拟对照”

传统 RCT 的死循环：没钱就做不了好研究

做临床研究最基本的逻辑是：要证明一个药有没有效，需要两组人——一组用药，一组不用，最后对比结果。不用药的那组叫对照组，有它才能说"是药让指标好转，不是患者自己好的"。

对照组意味着什么？招更多患者、多一倍的随访、多一倍的数据管理……费用和时间翻倍。很多研究者预算不够，干脆砍掉对照组，只留用药那组，做成"单臂研究"。结果省了钱，研究可信度降了一档，发出去审稿人必然追问：没有对照，怎么证明是药的作用？

这就是那个死循环：没钱→砍对照→证据不硬→发不了好期刊→拿不到更多经费→还是没钱。

AI 的解法：给每个患者做一个 “数字孪生”

AI的办法很直接——给每个患者生成一个虚拟的"对照版自己"。

把患者入组时的所有基本信息（年龄、病史、检验指标、影像结果等）输入AI模型，模型基于大量历史数据，预测出"如果这个患者没有接受治疗，他的各项指标接下来会怎么走"。这个被预测出来的版本，叫数字孪生对照。

它和传统"用别人的历史数据做对照"的区别在于：传统方法用的是其他患者的数据，年龄、病情都不一样，比较起来有偏差。数字孪生用的是同一个患者自己的数据生成对照，消除了个体差异。据玩美数据调查，目前顶刊已经有真实数据支撑的研究。

2026年5月，一项肺移植研究发表于《Nature Biotechnology》，研究团队用951个真实患者的历史数据，训练出一组"数字孪生对照"——也就是说，他们没有再招募新的对照组患者，而是让模型模拟出每位受试者没有接受干预时的疾病走向。

结论是清晰的：传统方法需要18名患者才能得出具有统计可信度的结论，数字孪生只需要6名，相同的统计把握度，样本量压缩到三分之一。招募成本、随访周期、脱落风险，都随之等比下降。

配图来源：https://www.nature.com/

这不是孤例。2025年发表于《Nature》子刊的一项心衰研究，用343名患者的纵向数据成功识别出不同心衰亚型对同一治疗方案的差异化反应——这是传统RCT最难回答的问题之一。两项研究放在一起，说明这套方法已经在不同适应症、不同数据规模下完成了初步验证，不再停留在概念层面。

配图来源：https://www.nature.com/

监管方面也同样在支撑这条路走通。美国FDA已发布支持外部对照使用的正式指导文件，欧洲EMA对相关平台完成了认证，这意味着基于数字孪生生成的对照数据，在国际主要市场已具备申报可行性。中国NMPA正在推进真实世界证据的应用框架，整体方向是开放的；针对AI生成对照的独立技术指南目前尚未出台，但从政策走向来看，只是时间问题。

从研究设计到监管落地，这条路在国外已经跑通。国内目前处于早期窗口期，框架尚在建立，先完成方法积累的团队，将在指南成熟时拥有直接进入的通道。

路径二：患者脱落，AI补回缺失数据

每个研究者都经历过的噩梦：患者脱落了。

做过临床研究的都经历过这件事：入组时100个患者，随访到最后能拿到完整数据的，可能只剩60个。有人搬家了，有人觉得好了就不来了，有人自己停了药。这就叫脱落，是很多研究半途而废的真实原因。

脱落的危害不只是"样本变少了"。更深层的问题是：走掉的人和留下来的人本来就不一样。症状轻的患者更容易觉得没关系就不来了，病情重的反而配合度高。最后手里的数据，"依从性好的那群人"预后本来就更好，这会让药物效果被系统性高估。

传统的应对方式无外乎两种：要么用最后一次随访数据代替缺失数据（假设指标从此不再变化，这明显不合理），要么靠统计方法估算。这些都是粗糙的补丁，无法还原某个具体患者脱落后的真实病情走向。

AI 能做什么：预测每个人的病情轨迹

AI做的是个体化轨迹预测。

基于患者脱落前的所有数据——入组时的基线、前几次随访的变化趋势——训练出一个模型，预测"如果这个患者继续参与，他接下来的指标会怎么走"，再把缺失部分补上。

具体一点：一个糖尿病患者，入组时糖化血红蛋白7.2，第三个月随访7.5，第六个月脱落了。模型会基于他的年龄、用药方案、前两次的变化趋势，推算出"第九个月大概7.8，第十二个月大概8.1"——而不是把7.5复制粘贴到终点。这比传统统计方法更精准，因为用的是患者自身的个体数据，而非人群平均值。

配图来源：https://www.unlearn.ai/

还有一个更主动的用法：在研究开始阶段，就用模型预测哪些患者最可能中途退出（比如居住地远、用药方案复杂的患者），提前加强这部分人的随访管理，从源头控制脱落率。

玩美数据曾找到类似案例：Unlearn公司2024年发表的PROCOVA-MMRM方法已经将数字孪生技术延伸到纵向数据的缺失处理中，并与传统MMRM（混合效应模型重复测量）做了系统性对比。2024年另一项研究TWIN-GPT用大语言模型生成患者级数字孪生，在临床试验结局预测上超过了多种传统方法。

除此之外，还有一个更加主动的用法：在入组阶段就用模型识别哪类患者脱落风险更高——合并特定基础疾病、居住距离远、用药方案复杂的患者，可能更大概率中途退出。提前在方案设计中调整纳排标准或强化随访管理，从源头上规避脱落问题的发生。

这种方法有什么好处？

首先，在等效统计效能下，需要的入组人数更少，那成本也会更小；另外，插补结果更有临床可解释性——医生能看到"这个患者如果没脱落，HbA1c大概会从7.2升到7.8"，而不是面对一堆置信区间和假设前提；最后，IIT（研究者发起研究）的完成率也有望提升，毕竟脱落是很多医生发起研究最后不了了之的第一大原因。

怎么准备？

1、积累纵向随访数据。 模型需要足够丰富的时序数据来学习患者的演变规律。把科室现有的随访记录整理成结构化格式，这一步本身就很有价值。

2、方案设计阶段就规划好。 如果打算用数字孪生插补，必须在研究方案里写清楚——用哪些变量建模、怎么验证预测精度、敏感性分析怎么做。

3、和统计师早期对齐。最好在方案撰写阶段就让统计师参与进来。

路径三：用血常规，代替昂贵基因检测预筛

入组筛查太烧钱

很多研究要求患者必须携带某个特定的生物标记物才能入组——比如EGFR突变阳性（肺癌中一种常见的驱动基因），或HER2阳性（乳腺癌常见靶点）。这类检测每次几千到上万元，出结果要一到三周，基层医院往往做不了，还要把样本送到第三方实验室。

结果是：大量患者花了时间完成初步筛查，最后发现不符合条件，什么都没得到。研究也为此多花几十万的筛查成本。

以肿瘤研究为例：假设你需要入组100人，但只有约60%的患者携带目标标记物，那你要筛约170人才能凑齐100个。按5000元/人的检测费，光筛查就花掉85万。

AI 的思路：先低成本圈出高风险人群

有一个被忽视的事实：某些标记物阳性的患者，在普通血常规和常规检验里往往早就有规律可循。

EGFR突变阳性的肺癌患者，肿瘤标志物指标、血常规的某些组合，和阴性患者可能系统性地不同。如果科室历史病历里，同一批患者既有普通血常规数据，又有后来的基因检测结果，就能训练一个模型：输入血常规，预测"这个患者标记物阳性的概率有多大"——先用几十元的检测把高概率患者圈出来，再给这部分人做贵的基因检测确认，而不是对所有人都做价格昂贵的检测。

配图来源：Pixabay

2025年发表的系统综述汇总了同类研究，用机器学习预测EGFR突变状态，准确率（AUC）中位数在0.75—0.85之间。这个精度用到实际筛查流程里，能有意义地减少检测成本，同时加快入组速度。基层医院因为只需要做血常规，参与门槛也随之降低。

落到实际好处上：检测费只花在"大概率符合条件"的人身上；预筛快速出结果，缩短患者从知情到入组的等待期；不需要每个分中心都有基因检测能力，能做常规检验就能承担预筛，更多中心由此可以参与进来。

医生可以提前进行的准备：

建好历史病例库是前提。模型训练的前提是同一批患者同时有常规检验和标记物检测的历史记录，两类数据都有才能建立关联。

先做回顾性验证，再考虑前瞻性应用。用历史数据训练模型，留一部分做测试集，看AUC、灵敏度、特异度。AUC只有0.65，省不了多少成本；到0.85以上，筛查策略可以实质性调整。

外部验证不可跳过。单中心数据训练的模型换到另一家医院，表现可能天差地别。在进入前瞻性应用前，至少在1—2个外部中心做验证。2025年的系统综述也指出，当前多数EGFR预测模型的短板正是缺乏外部验证。

如果研究设计仍需做标记物确认检测，可以基于预筛结果和检测机构协商更优惠的价格或更快的报告周期——样本量更小了、阳性率更高了，对方也有谈判动力。

上篇小结：在本篇中，我们以三条路径分别对应临床研究的三大成本痛点。知悉AI通过计算替代人力、数据替代样本、算法替代检测，已经展现出明确的降本增效能力。但具体到不同资历、不同资源的医生，如何从这三条路径中找到适合自己的切入点？下篇将给出针对一线医生、科研骨干、科室主任的行动指南，以及投稿方向建议。敬请期待。

互动有奖

FORWARD

感谢您阅读本期内容。我们会持续分享各行业的专业报告、趋势解读、第一手资讯等等。如果本期内容对您有启发，欢迎转发本文，让更多有需要的朋友看到。

参与方式超简单：

1、点赞、推荐本文

2、将截图发布在下方评论区

完成以上2步即算成功参与！我们将从中抽取1~3位幸运用户，分别送出玩数圈周边纪念品1份！开奖公示详见下期玩美案例文末！

小提示：为鼓励更多用户参与互动，每位用户在2个自然月内只可领取1次幸运互动奖励！根据发货流程规定，需先注册玩数圈APP，才可为您安排发放奖品哦～

玩美数据是一家领先的数据采集与分析技术、翻译及本地化服务提供商，致力于通过先进的数据采集与用户研究方法、专业的数据分析技术，以及遍布全球的本地化服务团队，帮助企业客户实现更精准、科学、智能的商业决策。

在AI医疗、用户研究、产品优化、全球品牌监测等领域，玩美数据拥有丰富的实战经验与自主研发的数据采集平台，能够为客户提供定制化、精细化的市场与用户研究服务，助力企业从数据中洞察未来，驱动品牌进化。

点击查看更多玩美案例：

《玩美数据AI在线生成市场调研分析报告的应用》

《终结决策盲区——玩美可视化数据看板让行业趋势一目了然》

《定性调研洞察新视野：玩美数据AI技术突破与应用》

《玩美案例丨零碎信息如何成就爆款？玩美数据AI工具给出答案》

《玩美独家丨AI影像的临床价值：从辅助诊断到精准预测的变迁（上）》

《玩美独家丨AI影像的临床价值：从辅助诊断到精准预测的变迁（下）》