5 分钟1 IQVIA为什么会把AI做到临床开发
IQVIA是一家面向生命科学行业提供临床研究服务、医疗健康数据、商业分析和研发技术解决方案的公司，客户包括药企、生物科技公司和医疗健康机构。公司在全球100多个国家开展业务，拥有约9.4万名员工。长期积累的临床数据、研究网络和项目执行经验，为此次预测性临床开发方案提供了基础。
药物进入临床后，项目进度受到很多执行环节影响。研究中心选得是否合适、患者能否按计划入组、试验启动需要多久、临床数据能否及时完成核查和清理，以及不同临床阶段之间如何衔接，都会影响整体开发周期。
IQVIA此次关注的就是这些环节。通过预测分析和AI，提前发现可能影响项目进度的问题，再把分析结果应用到后续执行流程中。
2 AI具体放在哪些环节
目前公布的预测性临床开发方案主要覆盖几个关键部分。
首先是临床设计与规划套件（Clinical Design & Planning Suite）。IQVIA利用预测分析和医疗健康数据，为研究团队提供研究中心筛选、优先级排序、患者招募策略等方面的支持。
研究中心的选择会直接影响后续入组。如果一个中心的目标患者数量有限，或者过去的研究执行能力与当前项目要求不匹配，项目启动以后才发现问题，往往需要重新调整中心和招募策略。预测分析可以把这类判断提前到试验启动之前。
第二部分是快速启动（Push Button Start-Up），主要针对临床试验启动阶段。
临床方案确定后，还需要完成研究中心启动、项目准备等一系列工作。IQVIA通过标准化流程、自动化和AI辅助，减少重复性的人工处理和流程等待。公司此次披露的数据显示，研究启动速度提升33%。
第三部分是实时数据清理（Real-time Data Cleaning）。
临床研究数据来自多个系统和来源，数据核查与清理通常贯穿整个研究过程。IQVIA希望将不同来源的数据持续整合，在研究进行期间及时发现和处理问题，从而减少研究结束后集中清理数据的压力。该环节披露的数据显示，数据清理速度提高50%。
患者招募同样是重点。按照IQVIA披露的数据，采用AI优先筛选并结合其“优选与合作”（Prime & Partner）研究中心网络后，入组患者数量约为其他方式的1.7倍，患者入组率提高42%。
环节
IQVIA披露结果
研究启动
速度提升33%
患者招募
入组患者数量约为1.7倍
患者入组率
提高42%
数据清理
速度提升50%
临床阶段衔接
时间缩短45%以上
注：不同指标的比较基准并不完全相同，以上数据均来自IQVIA官方披露。新闻稿没有进一步公布完整的项目数量、疾病领域、样本规模及具体验证方法，因此这些数据更适合用于观察方案目前披露的效率改善，不宜直接理解为适用于所有临床项目。
3 技术上，IQVIA做了什么
从目前公布的信息看，这套方案涉及几个技术层面。
最底层是IQVIA专有数据（proprietary data）。这些数据与公司的临床研发和监管专业知识结合，用于研究中心筛选、患者招募、临床设计以及项目执行等分析。
在数据基础上，IQVIA使用预测分析（Predictive Analytics），提前评估研究中心和招募策略可能带来的执行结果。Clinical Design & Planning Suite就是这一能力在临床设计阶段的应用。
另一部分是IQVIA所称的医疗级AI（Healthcare-grade AI）。官方将其与医疗健康数据、先进分析以及生命科学专业知识结合，用于临床研发场景。目前公开资料没有说明具体采用哪一个基础大模型、模型参数规模或训练数据，因此不宜进一步推测其具体模型架构。
这次发布中还有一个值得注意的技术概念——智能代理工作流（Agentic Workflows）。
IQVIA表示，其专有数据、监管专业能力和Healthcare-grade AI，与Anthropic、AWS、Databricks、Microsoft、NVIDIA、Palantir、Snowflake等公司的技术结合，用于构建智能代理工作流。
放到临床开发场景中，智能代理的作用可以理解为把多个连续任务连接起来。
例如，系统先利用数据评估研究中心，再形成优先级排序和招募策略；研究进入启动阶段后，相关结果继续进入标准化和自动化流程；研究开展后，临床数据持续进入数据处理和清理环节。
因此，AI在这里承担的工作已经从单纯的数据分析延伸到了流程中的多个任务。预测、决策和执行之间的衔接，是这套技术体系比较重要的一点。
IQVIA的Real-time Data Cleaning同样体现了这一思路。临床数据来自多个来源，需要持续进行整合、核查和处理。通过实时的数据处理，可以尽早发现问题，并减少数据库锁定前集中处理数据所需要的时间。
整体来看，IQVIA正在把专有临床数据、预测分析、医疗级AI、智能代理和流程自动化组合到临床研发流程中。AI承担预测和任务处理，IQVIA原有的临床研发服务则提供业务场景和执行基础。
4 临床开发真正能省下来的，不只是人工时间
药物开发周期很长，其中有一部分时间消耗在研究准备、中心启动、患者招募、数据处理以及阶段衔接上。
IQVIA此前发布的相关资料提到，研究中心策略、患者人群判断和试验设计等环节，如果前期判断不足，可能在首例患者入组之后形成执行层面的延误。预测性临床开发的思路，是尽可能把这些判断提前。
比如，试验启动前判断哪些中心更适合当前项目，招募过程中根据数据调整策略，研究开展期间持续处理临床数据。这些工作分散在整个开发过程中，单独看节省的时间有限，但多个环节同时得到优化后，可能对项目周期产生更明显的影响。
IQVIA此次披露的数据显示，临床阶段之间的时间缩短45%以上。公司还提出，在典型十年药物开发周期中，预测性临床开发最多有望节省两年时间。
这里的“两年”需要放在整个药物开发周期中理解。它描述的是IQVIA认为这套方案可能带来的周期优化空间，并不意味着一款药物采用这套方案后就一定能够提前两年获批。
临床疗效、安全性、监管审评、生产和商业化准备等因素，都会影响最终上市时间。
5 IQVIA下一步要做的，是把效率提升变成可重复的能力
从目前公布的信息看，IQVIA正在把AI进一步放到临床开发执行环节。
这条路线与AI药物发现有所区别。AI药物发现主要解决靶点、分子设计和候选药物筛选等问题，IQVIA关注的是候选药物进入临床以后，如何减少执行过程中的时间损耗。
对于IQVIA来说，这种布局与原有业务结合得比较紧密。公司已经拥有临床研究服务、医疗健康数据、研究中心网络以及生命科学领域专业知识，AI能力加入后，可以进一步提高已有业务的数据利用效率和流程自动化程度。
目前披露的效率数据仍主要来自IQVIA自身业务实践。后续更值得关注的是，这些结果能否在不同治疗领域、不同试验设计以及更多客户项目中持续出现。
对于药企而言，临床开发效率最终还是要落到项目本身：研究能否更顺利地完成，数据能否更早形成，关键决策能否因此提前。
如果这套模式得到更多项目验证，AI在医药研发中的应用范围还会继续向临床后端延伸。届时，AI参与的工作将覆盖从药物发现到临床执行的更长链条，而临床研发服务商的数据能力和AI能力，也会越来越紧密地结合在一起。
