AI医生卖不动，AI患者却被标价260多万

在过去一个月里，某医疗模型公司的创始人陈欢陆续收到了来自四类客户的产品需求，包括制药企业、CRO公司以及医院等不同层面。

这些客户的需求呈现出高度一致性：他们希望陈欢能够利用AI大模型技术，开发一批虚拟患者，用于预测相关药物在早期临床试验阶段的疗效。

实际上，AI虚拟患者并非新兴概念。

然而，传统的AI虚拟患者主要应用于医学教育领域。最典型的例子是VSP（虚拟标准化患者），它可以模拟真实患者与医生的互动过程，在问诊、检查、治疗等环节中辅助医生进行临床训练。

近年来，随着大模型技术的广泛应用，临床研究逐渐成为AI虚拟患者的另一个重要应用场景。

其基本逻辑是，利用真实患者的个人信息，为其创建一个数字化的分身。从理论上看，这个分身能够模拟患者在接受不同治疗方案后的生理变化轨迹，从而帮助优化临床决策并降低研究成本。

业内将这一技术称为“数字孪生”。

长期以来，“数字孪生”仅仅是一个偏前沿理论的技术概念。数据质量、模型能力以及监管态度等方面，都还无法支撑其作为产品真正融入临床研究的工作流程。

然而，今年6月情况出现了转机。

先是美国FDA发布了《模型引导的药物研发通用原则》，其中明确指出，由模型引导的药物开发所产生的证据，可以作为监管决策的补充性支持。

仅5天之后，中国国家药监局等四个部门也联合发布了文件，明确鼓励采用虚拟患者（数字孪生）技术，并允许在真实试验开展之前，利用数字模型进行模拟和方案优化。

“这说明监管层面的共识已经发生了改变，数字孪生正在从单一模型工具，逐步演变为早期临床决策支持系统。”

陈欢在接受《健闻咨询》采访时表示，这也是近期客户需求集中涌现的根本原因。临床试验是决定一款药物能否成功上市的关键环节，同时也是药企投入最大的部分。“一旦AI虚拟受试者产生的数据能够被监管层面所接受，其背后的价值将不可估量。”

监管政策一旦发生转向，市场便会迅速作出反应。

不久前，山东大学齐鲁医院发布了一项“数字孪生虚拟临床试验”的采购意向，具体需求包括“构建数字孪生虚拟临床试验体系，开展虚拟人群建模、疗效虚拟预测”等，预算金额达到262.5万元。

与“赔本赚吆喝”的AI医生不同，用AI制造患者从一开始就有明确的付费方，其最终指向的是药企的临床开发预算。

2025年，仅中国就将有近3000项新药临床试验。假设未来仅有20%的试验项目采用这项技术，每个项目的服务费为200万元，仅这一层面的市场空间就已超过10亿元。

如果扩展到全球范围，若干年后，这是否会成长为一个新兴的百亿级市场？

受试者的“平行时空”

不妨先设想这样一个场景：

一款罕见病药物的早期临床研究需要招募200名患者，其中100名接受新药治疗，另外100名作为对照组进行观察。

由于招募困难，申办方想出了一个解决方案：他们先招募到100名罕见病患者，给予新药治疗。

同时，基于这100名患者的个性化数据，如电子病历、影像资料、用药史评估等，一对一地构建出100个数字孪生患者。

这样一来，100名真人患者与100名数字孪生患者自动形成了试验组和对照组，研究得以顺利推进。

这便是“数字孪生”在临床试验中的理想应用状态。

在现行监管框架下，随机对照试验是药物获批上市的标准证据。

但当某项临床试验因伦理或招募困难等原因，无法满足开展双臂试验的条件时，可以改为单臂试验，即仅招募一组患者作为试验组接受新药治疗。

然后基于历史临床试验、电子病历或真实世界数据，找到一组接受过传统治疗的患者，作为外部对照组。

然而，无论是随机对照还是单臂试验，本质上都是在群体层面进行因果归因。患者A接受了新药治疗，患者B接受了传统治疗，他们最终结局的差异，既可能源于药物治疗，也可能由个体差异导致。

再严谨的试验设计，也无法在个体层面实现因果归因，原因很简单：一个患者不可能同时接受两种治疗方案。

“过去我们开展临床对照试验，本质上是寻找尽可能相似的患者群体，观察不同治疗方式所产生的差异。”AI制药行业资深人士徐亮表示，数字孪生的解题思路则截然不同，它本质上是在预测‘另一个没有接受试验的你会是什么样’。

这有些类似于平行时空的概念。

事实上，早在2021年，拜耳就曾启动过一项类似“AI虚拟患者”的前沿探索。他们与赫尔辛基大学医院及芬兰Aalto大学展开合作——医院提供患者数据，大学负责开发机器学习工具，目标是利用人工智能从医疗数据库中创建一个“虚拟”对照组。

但当时的人工智能技术尚不足以支撑这项研究走得更远。

陈欢表示，过去数字孪生面临的最大难点之一，是让机器学习和理解患者在真实世界中的状态变化。

因为患者信息杂乱无章、格式各异，涉及病历、病理、影像、基因、时间序列、医生记录等多种类型，但大模型开始有能力将这些信息映射为一个统一的患者生理轨迹。

“现在，至少在技术层面已经可以跑通了。”

数据决定质量，监管决定价值

2021年，一家名为unlearn的美国初创公司向欧洲药品管理局（EMA）递交了一份特殊的资格认定申请。

这家员工不足100人的公司，用4年时间研发了一种名为“PROCOVA”的机器学习方法，能够在保持统计效力的前提下，减少临床试验所需的对照组患者数量。

具体而言，unlearn利用海量历史临床试验数据训练了一个机器学习模型，使其能够根据患者基线特征预测其未来结果。

借助这一模型，unlearn会为每位入组患者生成一个数字孪生，预测其在安慰剂组下可能出现的结果，并据此计算出一个“预后评分”。

最后，通过线性回归模型，将预后分数作为协变量进行调整，从而获得更精准的疗效估计。

据公开披露，unlearn的这项技术已在阿尔茨海默病试验中实现对照组规模缩小23%，在帕金森病中缩小38%。

2022年，EMA正式发布了最终有利的资格意见，认定PROCOVA可用于II期和III期连续终点临床试验。2023年，FDA也对这项技术给出了支持性反馈。

陈欢认为，unlearn带来的启示在于，数字孪生技术首先需要找到合适的临床试验场景。

以unlearn为例，其早期研究全部集中于阿尔茨海默病、帕金森病、亨廷顿病等神经退行性疾病，因为这类疾病具有纵向量表明确、疾病进展连续、且已积累大量历史临床试验数据等特点。

反观对数字孪生技术需求最为迫切的罕见病和肿瘤疾病，其落地条件反而不够成熟。

以罕见病为例，罕见病对减少对照组的需求极为强烈，但存在数据悖论：“因为患者少，所以需要数字孪生；但反过来，患者少意味着可用数据也少，很难训练出可靠的模型。”

徐亮也认同这一判断。他表示，尽管监管层已经表达了鼓励态度，但数字孪生所生成临床证据的替代范围及监管标准仍不明确。

这意味着在大多数情况下，企业只能将其用于极早期的临床研究，例如优化入排标准、预测哪些受试者可能获得更好的潜在收益，以及更早评估药物有效性等。

而数字孪生技术若想在临床试验领域更进一步，也面临着与其他生成式医疗AI产品相似的挑战。

首先是高质量数据不足，目前临床试验数据单一且样本量有限，无法支持模型的泛化。其次是技术瓶颈，生成式AI属于黑箱模型，其结果难以被解释和信任。

“数据决定模型能否做出来，监管决定这个模型最终能值多少钱。”徐亮强调。

但无论如何，关于AI虚拟患者的另一扇大门已经开启，它与AI医生也有相似之处——它并不会取代患者，而是帮助药企做出更正确的决策。