在最近接受《应用临床试验》采访时，Unlearn创始人兼首席科学官乔恩·沃尔什阐述了人工智能设计的疗法和数字孪生技术如何重塑临床试验格局。尽管临床测试的基本原则保持不变，沃尔什指出，AI发现的药物在早期研发中往往需要更深入关注特定生物标志物和安全信号。他同时强调，数字孪生（试验参与者的虚拟模型）能显著提升试验效率、缩小对照组规模，并增强疗效评估的精确度。随着FDA和EMA开始为AI药物开发提供明确框架，沃尔什强调模型设计与实施的透明性、可复现性和可解释性至关重要。
ACT：人工智能设计的疗法在进入临床试验时与传统开发的治疗方法有何本质区别？
沃尔什：在Unlearn，我们协助申办方开展更快速、高效的试验，且不区分治疗类型。我们的核心工作是构建临床试验参与者的数字孪生体——模拟患者对标准护理反应的模型。
但当试验涉及AI设计的疗法时，确实存在特殊考量。例如，化合物可能针对特定作用机制设计，因此在早期试验中需要比传统药物更密切监测生物标志物信号。此外，这些AI设计的疗法可能受益于更先进的计算安全模型，从而在早期试验中就能聚焦疗效评估。
在这种情况下，我们利用技术帮助早期发现疗效信号并加速决策过程，协助申办方更快判断化合物在安全性和有效性方面的可行性。
完整访谈摘要：与传统开发的治疗方法相比，AI设计的疗法在临床试验中可能呈现独特特征，通常需要在早期阶段对生物标志物信号和安全数据进行更严格的审查。但临床测试的基本流程保持不变。数字孪生技术通过建模接受标准护理的试验参与者，提供无需额外招募的虚拟对照组，使试验更具效率和洞察力。
数字孪生通过建立特定患者对标准治疗反应的概率模型来发挥作用。申办方无需招募新参与者，而是通过现有参与者获得更深入的洞察，从而提升疗效评估的精确度和试验效能。在随机对照试验中，这种增强的统计置信度可减少参与者数量或缩短试验周期。在开放标签研究中，数字孪生可作为虚拟对照组，在无法建立真实对照组时提供有意义的对比。
FDA和EMA等监管机构正在为AI和数字孪生在药物开发中的应用提供明确指导。其强调需定义模型的使用场景、评估其风险并证明可靠性。开发数字孪生的企业必须确保模型开发过程透明、可复现且可解释——追踪模型构建方法和数据来源，同时防范盲态破坏。
展望未来，数字孪生预计将成为临床试验领域的基础组成部分，特别是在神经科学和中枢神经系统试验中。它们有望实现更灵活、高效且以患者为中心的设计，在加速药物开发的同时减少对传统对照组的依赖，并维持甚至提升临床证据的质量和可靠性。随着应用普及，数字孪生可能重塑申办方设计试验和监管机构评估新疗法的方式。
【全文结束】
