未来招募的新模式—数字化患者招募 | 2023 dTrial洞察

众所周知，随着新药研发成本的不断攀升，患者招募也已经成为临床试验最大的成本的驱动因素，传统的招募方式因为受限于传统模式，缺少一些数据分析和精准的患者定位，招募效率比较有限，而且不能完全解决目前大量的临床试验入组困难的问题。

随着近年来信息化技术的发展、互联网的普及、5G的广泛应用和大数据、人工智能的使用，数字化和信息化技术被越来越多的运用到临床试验的招募过程中。2023年4月21日第四届dTrial论坛107会场，就数字化患者招募方式展开了如火如荼地演讲与讨论，本专题由阿斯利康全球研发中国中心临床运营优化及数字化总监 张琰女士主持，分别从申办方，技术提供方，研究机构的角度来一一介绍国内目前几种数字化患者招募的方式。

随着时代的变化，互联网和现代科技的快速发展，临床试验正从传统模式向以患者为中心的模式转变，招募方式也从传统方式向数字化方向开展。

王老师介绍了一些全球范围内开展的招募形式，包括被动式网站，公众可以通过这个网站用预设的条件去筛选自己感兴趣的临床试验；主动式网站不仅可以让患者通过搜索获得临床试验的信息，也可以自主提供更多的信息进行在线匹配。匹配完成以后，患者可以联系相应的人员也可以留下联系方式由试验人员联系，相比被动式网站有更多互动。

随着社交媒体的普及，社交媒体逐渐成为数字化患者招募的有力工具。相比于传统的招募方式，社交媒体可以触及更广泛的人群，传播快，还能够根据人口统计学信息、地域特征、用户兴趣等匹配需求，投入产出比非常高。而中国的社交媒体又具有独特的优势。中国智能手机用户数，微信等社交媒体活跃用户数等均领先全球，随着社交媒体功能不断迭代更新，社交媒体在招募中能够发挥更大的价值。

王老师强调在应用社交媒体的过程中，仍然要以患者为中心，尽量利用一个平台集合所有临床试验，可以一键匹配合适的临床试验，一站式服务患者参与临床试验的全流程。另外要运用互联网运营的技术完成三次转化，包括公域到私域的转化，将普通公众转化为真正有需求的患者；线上到线下的转化；需求数据的标签转化。

另外，合规是一切工作的前提。需要考虑《个人信息保护法》、《数据安全法》以及《网络安全法》的相关法规，相应的对于跨国企业还涉及到跨境传输的法规要求。

社交媒体的线上招募形式可与传统线下招募方式结合，提高招募效率。最后，王老师希望对患者来说有一个临床试验的大众点评，让患者寻找、参与临床试验甚至点评临床试验轻而易举，唾手可得。

基于AI+大数据的智能化患者招募方法实践

基于患者信息大数据的招募方式，患者的个人隐私数据保护是重点。郝老师介绍了通过去标识化的数据处理挖掘相应的患者，再进行反脱敏触达患者。

怎么把医院的数据进行标准化，建立标准的数据模型？郝老师讲解了在数据治理和数据处理过程中涉及到的几个重要环节。首先做数据聚合和清洗，完成不同系统之间的患者维度的数据整合。在大段文本里的数据进行结构化的提取，然后进行纳排标准匹配。在整个过程中，还涉及到质量控制。最终依托于各个环节才能够生产出一份标准化的数据为基于大数据的招募提供相应的数据基础。

具体到数据处理的细节，包括数据采集，需要兼容不同的数据库，比如底层的数据库，数据接入的过程中应注意数据脱敏。接下来进入到数据治理，郝老师介绍了肺癌诊断的例子，原始词有1116个，通过归一化的技术归纳为肺癌，这样在搜索肺癌时就可以准确召回，不会产生很多的遗漏。另外是对字段级别的疾病特性的数据治理。数据被分成三个level，第一个level通常叫做结构化的数据，一般是以人口学、药品、医嘱等数据为主，另外一个是非结构化的数据，比如检查检验报告，还有最高等级涉及到跨病历的逻辑运算。从疾病角度也会有不同的治理形式，比如人口学、检查检验等通用字段集，还有专科的数据集比如实体肿瘤涉及到的肿瘤诊断、TNM分期等等。最后是特定专病的数据集，还是以肺癌为例，肺癌的一些病理、相应基因靶点等。这里面涉及到多模态的数据比如影像数据、基因组学的数据都会得到整合。还有一些特别复杂的逻辑也是在纳排标准中涉及的，比如要想纳入肿瘤领域二线治疗失败的患者，就需要知道这个患者已经经过了几线治疗，现在处于什么治疗形式，有没有出现PD，都要有复杂的技术进行相应的处理。

在数据治理过程中有很多质控规则，依托于国家的数据质量评价标准GB/T36344，现在已经积累了两万多条的数据质控条数，主要从规范性、一致性、准确性、完整性、唯一性等方面对数据一一识别质量情况，比如男性不应该有女性疾病，时间的不一致等等。

有了这些数据，就会进入到正式的招募过程。对临床试验的纳排条件进行相应的拆解，涉及到的关键指标比如诊断、具体的基因靶点、相应用药，在数据平台去进行相应的配置或者编写一些相应的算法至筛选工具。通过这样的方式，就可以去精准定位到疑似符合这个项目的患者，及时推送至研究团队。对比传统比如通过查HIS或者是翻病历等方式，数据经过一系列治理以后，准确性和检查的精准度以及工时成本都有非常好的提升。

基于大数据的招募和筛选对于合规有非常高的要求，首先会递交伦理进行审批，其次需要得到研究者、信息科或者机构等的许可去授权使用这些数据；同时还有比较关键的一点就是去标识化，数据工程师不能接触患者敏感数据，一定是在去标识化之后的数据库里进行相应的检索，检索到疑似符合之后给到相应的研究团队，由研究团队的人员或者授权人员通过系统反查得到反脱敏后的数据进行后续患者的协调和相应的患者入组的转化。

1. 利用数据的能力精准定位到疑似符合项目的患者，

2. 高效的可执行的患者转化，包括医生工作站、互联网医院、电话等等多点触达，同时还要有专职人员负责把这些变成真正的人去入组。

3. 有效的负反馈循环，在工作中不断调整策略，比如纳排条件的修订，及时有效地确保筛选策略的高效落地实施。

癌症是中国最大的医疗难题之一，海心智惠专注于肿瘤患者的全病程管理。患者全程管理的工作量很大，海心尝试使用人工智能+个案管理师相结合的方式优化整个患者全程管理的过程。个案管理师会在患者治疗方案确认后，协助患者进入全程管理体系，和医生共同为患者制定接下来的整体治疗计划，这个治疗计划会对应患者在接下来的整个治疗周期中，协助患者了解每一周，甚至每一天需要做什么样的事情，包括需要接受的患教内容，什么时间需要血常规、生化的检测、各类主观评估量表等等，然后系统收集患者的各种各样的主观和客观的反馈，，评估患者下次入院的可行性，直到协助患者下一次入院，进入下一个治疗周期。

全程管理的巧妙之处，就在于患者手边有绝大部分的数据，即使在多地，多院区就诊，患者手上的所有数据也会串成以患者为中心的数据整体，我们能看到患者院内，院外，居家等场景的全貌。一个患者的治疗全程，治疗的每个阶段，过程中所用到的药物、不良反应、主观客观等的所有数据尽可能由患者自我汇报完成，然后系统会经过OCR和NLP，配合人工审核，归整为完整的电子病历，这个数据会及时同步给主诊医生，让医生真正参与患者的治疗过程，如果有需要，评估有没有机会邀请患者加入临床试验。

海心以患者全程管理和全程服务起步，经过多年的发展与积累，已经协助数百家医院，在管几十万肿瘤患者，管理全程中的涉及到的每一份数据都有患者完整的授权。在严格的数据授权以及数据访问权限管理的基础上，只有患者授权愿意加入临床试验匹配后，他的数据才会被授权用于做临床试验的相关匹配。

整个过程对患者和医生而言，都比较轻松简单：各种渠道进入全程管理的患者，他们的病历记录在系统中，同时临床试验的信息会以结构化的标签也录入到系统中，系统可以实现秒级的几十万个患者和几百个试验的匹配。接下来进入自动化分程管理，基于患者不同癌肿和阶段，个性化定制患者管理路径，最后通过人工确认整个疗效评估。系统基于患者历史病历与当前评估结果，自动预筛项目库，可以精准的将临床试验信息推送给这个患者，同时推送给他的主诊医生。

最后，朱丹总结：我们常说要“Data Driven”，Data Driven的核心，其实不是Data本身，而是要做好产生Data的过程，也就是要服务好患者全程管理的过程，服务过程中，自然而言会沉淀下来的各种各样的信息和数据，同时我们得到了一种双向触达的能力以及互信的基础，从而可以用来帮助临床试验的招募，这样的全程管理，对于临床招募而言是如虎添翼。

许教授作为临床试验主要研究者，他介绍了院内招募方式：本质是一种初筛-prescreening。传统招募时间长，花费多，许教授从研究机构的角度来为我们解析如何从院内挖掘潜力，寻找合适的受试者。首先基于医疗数据结构化，形成一个标准的数据集，将医疗的数据转成研究数据。方案配置需要花费时间，尤其是将入排标准写成算法的标准化的语言，计算机能够识别的语言。把入排标准变成算法以后就可以实现持续Prescreen。方案匹配得好则会缩短周期，节省成本。

许教授为大家介绍了AI筛选平台，持续监测患者数据，实时动态评估，自动筛选潜在患者，还能够自动提醒，避免遗忘。实现预筛技术基础就是从异构化的原始医疗数据到结构化治理后的后结构化数据。基于现有的数据治理的内部系统，在实际工作中能够帮助研究者快速寻找到潜在受试者，大大缩短了运营周期。自动化或者AI筛选可以降本增效，精准匹配。

未来数字化时代的prescreening以及临床试验都会带来加速或者颠覆性的改变。大数据时代来临不仅助力临床试验，还对健康保健带来更多颠覆性的改变。

另外在提问环节，主持人问到对于数字化招募来的病人，在病人管理过程中是否会比传统方式带来的风险更高。许教授解释到如果筛的是本院病人，风险会比较低，原来的患者变成受试者，主治医生变成研究者，和传统的模式其实没有太大的改变。但如果从院外招募，如何协调患者原来的主诊医生和研究者之间的关系，是否涉及转介病人等合规方面可能会带来更大的风险。

患者招募的新模式还在不断地探索和实践，相信在人工智能，大数据等新技术的加持下，结合现有的线上线下的招募模式，一定能够加快入组，赋能临床试验高效运营。