将 ScienceAI 设为星标，第一时间掌握新鲜的 AI for Science 资讯
编辑丨&
开展一项新临床试验，首要步骤并非招募患者或启动治疗，而是严谨的试验设计。这项工作远超想象地复杂：一份完整的临床试验方案通常需要临床医生、医学信息学专家、统计学家及研究协调员等多方协作。对于大型临床研究，仅方案设计与可行性论证往往耗时数周甚至数月。
在此背景下，Agentic AI（智能体人工智能）应运而生。来自 Weill Cornell Medicine 等机构的研究团队在《Nature Communications》发表最新成果，推出名为 EmulatRx 的多智能体临床试验设计系统。该系统让五个 AI 代理分别扮演项目负责人、临床试验专家、医学信息学专家、临床医生和统计学家，协同完成原本需多专业团队配合的复杂工作。
该研究题为"Empowering clinical trial design with agentic intelligence and real-world data"，于 2026 年 7 月 7 日正式发表。
论文链接：https://www.nature.com/articles/s41467-026-74501-2
构建虚拟科研团队
近年来，大语言模型已能阅读医学文献、总结研究结果甚至回答临床问题。然而，真正的临床试验设计并非简单的问答，而是一项需要不同专业持续协作、相互修正的系统工程。单一 AI 模型虽能完成部分任务，却难以像真实科研团队那样进行持续讨论、验证与调整。
临床试验设计正是这一挑战的典型代表：临床医生精通疾病特点但未必熟悉数据库结构；统计学家擅长因果推断却需医学专家判断变量的临床意义；医学信息学专家能从电子病历提取数据，但必须依据试验方案准确转换筛选条件。整个流程本质上是一场持续的跨学科协作。
EmulatRx 正是基于这种真实分工逻辑构建，系统由五个核心角色组成：
图 1：EmulatRx 的整体框架。
Supervisor（负责人）：位于系统顶层，负责规划整体任务流程，并根据研究问题决定下一步由哪位智能体接手。
Trialist（临床试验专家）：访问数据库检索历史临床试验信息，自动整理研究目标、纳入排除标准、终点事件及治疗方案等关键内容，生成标准化的目标试验协议。
Informatician（医学信息学专家）：将自然语言描述的试验标准转换为电子病历数据库可理解的查询语句，映射至 OMOP 标准数据模型，从真实世界数据库中筛选符合条件的患者队列。
Clinician（临床医生）：提供专业医学知识支持。持续查阅文献，判断协变量纳入价值及终点临床意义，解释统计分析结果；当统计模型出现异常时，主动提出修改建议，与其他智能体形成反馈闭环。
Statistician（统计学家）：负责执行最终的统计推断工作。
基于真实病例的效能评估
为评估 EmulatRx 性能，研究人员使用了涵盖急性疾病（心力衰竭、败血性休克、肾损伤）和慢性疾病（阿尔茨海默病、帕金森病）的大型去识别电子健康记录数据库。这些数据覆盖了老年人及多重共病患者等传统试验中代表性不足的多样化人群。
研究团队将大量真实临床试验协议输入系统，要求其自动识别纳入排除标准、治疗措施及研究终点，并与人工整理的标准答案比对。结果显示，基于 GPT-4o 构建的 Trialist 取得了 95.4% 的 F1 值，能够高精度完成试验信息标准化，为后续分析奠定统一数据基础。
图 2：EmulatRx 中药物的评估。
除统计分析外，研究团队还邀请三位临床专家对 Clinician 生成的建议进行人工评分。评估涵盖可读性、正确性、一致性、创新性及实际可用性五个维度共 15 项指标。
GPT-4o 再次表现最佳，综合平均得分达 4.88 分（满分 5 分），在可读性、事实准确性、逻辑一致性及应用价值上均居首位；Phi-4 和 DeepSeek-R1 分别获 4.78 分和 4.71 分，Gemma 3 平均得分为 4.40 分。
值得注意的是，几乎所有模型在“创造性”维度得分明显偏低，表明当前 AI 更擅长依据既有证据进行严谨推理，而非提出突破性医学假设。
表 1：三名参与者的问卷调查和临床医生反馈的平均得分。
统计数据显示，以 GPT-4o 为底层模型时，EmulatRx 完成一次完整临床试验设计的中位运行时间仅为 5.75±1.52 分钟。相比之下，同等规模的人工流程通常需耗费数天甚至数周，用于协议解析、SQL 编写、协变量设计、统计分析及反复修订。
从某种意义上说，EmulatRx 标志着 AI 已开始深度参与科研流程本身。
人机协作的新范式
EmulatRx 的核心优势在于其可监控与可干预性。它并非旨在替代医生、统计学家或医学信息学专家，而是承担了大量原本需多人协同的重复性工作，使研究人员能将更多精力投入到提出科学问题、验证医学假设及设计创新研究中。
过去的大语言模型让 AI 学会了“阅读”知识，而以 EmulatRx 为代表的 Agentic AI 则开始学习如何“组织”与“协调”知识，并将其真正转化为科研生产力。
未来的实验室中，最先加入团队的新成员或许不再是研究助理，而是一支能够持续协作、不断进化的 AI 科研团队。
相关链接：https://medicalxpress.com/news/2026-07-agent-ai-team-clinical-trial.html
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。