招募为什么是瓶颈
据公开报道,全球首个由生成式 AI 驱动靶点发现与分子设计的特发性肺纤维化药物 Rentosertib(INS018-055)已于2026年启动 III 期临床,计划在全国47家中心入组320例患者;其招募服务商翼帆医药披露,截至2026年6月累计履约临床试验项目1873个、入组患者17052名。这些数字背后,是受试者招募长期作为新药研发最耗时、最不确定的环节之一。
把入排标准变成可执行条件
招募的核心难点,是把研究者用自然语言写成的入选与排除标准,转换成可与患者病历字段比对的结构化条件。轻量做法分两步:先用本地大模型把自由文本标准解析为结构化条目,再用规则与实体抽取对患者特征做匹配打分。下面给出用 spaCy 抽取患者病历关键实体的示例。
import spacy
nlp = spacy.load('zh_core_web_sm')
def extract_entities(text):
doc = nlp(text)
out = {'DISEASE': [], 'AGE': [], 'MED': []}
for ent in doc.ents:
if ent.label_ in out:
out[ent.label_].append(ent.text)
return out
profile = extract_entities('患者男,62岁,确诊特发性肺纤维化,既往使用吡非尼酮。')
print(profile)
二、用本地大模型结构化入排标准
对于自由文本标准,可调用本地大模型输出 JSON 形态的结构化条件,再由规则引擎执行。下面给出用 Ollama 调用本地模型并把标准转为结构化字段的示例,全程数据不出内网。
import ollama, json
criterion = '年龄18至70岁,确诊特发性肺纤维化,未使用过抗纤维化药物。'
prompt = ('将以下入排标准转为JSON,字段含 age_min, age_max, disease, exclude_med:' + criterion)
resp = ollama.chat(model='qwen2.5:7b', messages=[{'role': 'user', 'content': prompt}])
cond = json.loads(resp['message']['content'])
print(cond)
三、匹配打分与人工复核
将患者实体与结构化条件逐条比对,给出命中率评分并列出冲突项(如年龄超限、用药史冲突)。系统只做筛选辅助,最终入组由研究者与伦理委员会判定。建议保留每条匹配的证据链,便于稽查与溯源。
def score(profile, cond):
hits, miss = 0, []
if 18 <= profile.get('age', 0) <= 70:
hits += 1
else:
miss.append('age')
if cond['disease'] in profile.get('DISEASE', []):
hits += 1
else:
miss.append('disease')
return hits, miss
print(score({'age': 62, 'DISEASE': ['特发性肺纤维化']}, cond))
合规提醒:患者病历属敏感个人信息,须取得授权并在脱敏后处理;模型仅在机构内网运行,禁止将可识别个人身份的数据外传,匹配结果仅作研究者参考,不替代医学与伦理判断。
参考来源
翼帆医药助力全球首个生成式AI药物完成 III 期临床中国首例入组报道(2026-09)- 中国经济网;英矽智能 Rentosertib(INS018-055)启动 III 期临床与张江 AI 制药实践(2026-07)- 人民网上海频道;spaCy 中文模型与实体抽取文档 - spaCy 官方文档;Ollama 本地模型调用文档 - Ollama 官方文档。