AI 设计临床试验时，如何避免忽略老年人与少数群体

AI 设计临床试验时，如何避免忽略老年人与少数群体

药物最终会被什么人使用，试验一开始就该问清。若目标疾病多见于高龄患者，方案却因合并用药、交通不便和数字随访门槛，把老人排除得差不多，后续再漂亮的统计结果也留下了现实空白。AI 可以在方案设计阶段发现这种落差，但它依据的既往试验本身也可能有同样的偏差。

研发团队应把疾病实际人群的年龄、性别、合并症、地域和语言分布，与拟定的入排标准逐项对照。模型可以模拟每条标准删掉了哪些人，指出哪些限制是安全必需，哪些只是沿袭旧方案。比如要求所有受试者熟练使用手机上传症状，可能方便数据采集，却与药物安全毫无关系。研究者可改为电话、纸质或线下随访，并把额外成本列入预算。

招募点也很关键。大型中心医院的数据丰富，偏远地区、养老机构和社区诊所却常在地图外。模型可帮助识别疾病负担与招募覆盖的距离，但不能只凭人口统计推断某群体愿不愿参与。应听取患者组织、基层医生和当地社区的意见：交通补助够不够，知情同意是否有合适语言，照护者能否陪同，访视时间是否与工作冲突。

试验进行中，按人群查看筛查失败率、退出率、不良事件和缺失数据。发现某组退出较多时，不要立刻把人群判为“不依从”；可能是访视太频繁，也可能是量表读不懂。任何设计调整要经伦理与方案流程审查，并保留原始分析计划，不能为了补齐样本而事后改动结论口径。

入排标准之外，测量工具本身也可能不公平。试验把手机应用里的每日打卡当主要结局，视力不佳或不习惯触屏的人容易留下更多缺失值；量表若只用一种语言，症状表达也可能失真。方案设计时请目标人群实际完成一次模拟访视，观察谁在题目、设备和流程中受阻。模型能提示哪类数据缺失较多，却不能自动把缺失补成“症状无变化”。若为便利增加远程随访，应同时提供电话与线下替代；真正的包容性，常体现在这些不耀眼的备选路径里。

招募不足时，不宜等到试验进行一半才补救。方案评审可设一个简单问题：若按现有标准筛选，目标患者中多少人连咨询资格都没有？请临床医生和患者组织各自估计，再调查差异从何而来，常能及早发现不必要的门槛。

包容性不是把每类人都机械地凑成同样比例。临床风险有差别，某些人群暂时无法安全纳入，也要说明理由和上市后如何补充证据。AI 最有用的作用，是在第一位受试者入组前，让团队看到方案里那些习以为常、却会让真实患者走不到门口的条件。