AI 在临床开发中，哪些工作已经值得认真尝试？

判断 AI 是否值得尝试，需要同时看任务有没有实际痛点、输出能否核查，以及公开研究究竟评估了什么。一个方向已有研究支持，并不等于任意工具在本团队都能稳定工作；但也足以帮助团队选择更具体的试点。

第一类值得认真测试的工作，是公开证据的检索与整理。

试验登记、论文和既有文档分散在不同位置，团队常需要重复寻找、提取和比较。一个有限范围的工作流，可以固定来源，输出关键字段与证据位置，再人工核查。这里的价值需要用实际审核和返工时间测量，不能仅凭生成速度宣布成功。

对文献引用尤其要区分“生成一个看起来像引用的字符串”和“检索到真实记录”。已有针对特定配置的生成引文研究记录了虚构和错误。选用系统时，应了解它是在检索来源，还是凭模型生成文献名称。公开研究的历史错误率，也不能直接套到当前产品。

第二类是逐条件的试验相关性辅助判断。

2024 年发表于 Nature Communications 的TrialGPT 研究评估了检索、条件匹配与排序，也开展有限的医生辅助任务评估。研究提示这类工具值得在明确场景中测试，但评估材料和临床任务有边界；它不能证明所有医院都能获得相同收益，也不能确认最终入组。

如果团队尝试这一方向，输出应按条款给出依据和未知，而不是只有一个匹配分数。需要临床人员评估缺失资料、病情变化、其他方案条件和实际中心可用性。对患者资料的访问与处理，也要结合具体工作环境安排。公共材料测试与真实医疗工作，不能沿用同一套默认假设。

第三类是已有文档的一致性与可追溯性检查。

可以测试 synopsis、方案和访视表之间的用词、日期与安排差异，或检查每项终点是否对应数据采集。结构化的信息有助于建立这些连接。ICH M11 的共同方案结构提供整理背景，但不会自动证明任何生成工具具备合规能力。

这类工作适合从已解决的历史问题开始验收。给系统同一批文档，检查能否找到真实差异、是否产生大量不存在的问题，以及审核者是否容易回到原文。样例应覆盖扫描质量差、复杂表格、长句和不同版本，不只测试文字清楚的片段。

暂时不能用一个通用结论概括的，是自动优化完整开发策略。

预测研究成功率、确定样本量、挑选中心或生成外部对照，涉及不同模型、数据和统计假设。每种用途都需要相应证据与验证。一个系统能写出合理解释，并不说明它对这些问题都已经被证实有效。

建议把每项候选工作按三层证据记录：公开研究证明了什么，本地测试观察了什么，最终业务结果是否已经测量。三层不能相互替代。发布论文说明有研究证据；试点准确说明本地任务表现；减少返工或改善执行，则需要自己的记录。

团队也可以设置清楚的试点退出条件：关键错误无法稳定识别，原文不能定位，审核成本过高，或输入覆盖与实际工作不相称。停止一个不合适的试点，有助于把资源集中在真正可用的任务上。

现阶段值得认真尝试的，是那些能够把具体资料变成可检查成果的工作。每次只承诺一个明确用途，通过真实材料和完整审核过程决定是否扩大。这样既能利用已出现的研究进展，也能保留对自身工作负责的判断。