降低試驗計畫負擔以提升試驗表現(贊助內容)
降低試驗計畫負擔以提升試驗表現(贊助內容)
WCG 的 Metta Anderson 指出,試驗中心與受試者負擔分別會使招募時程延長 10–11% 與 22–23%,並提到所蒐集的試驗資料中有 30% 從未進入分析;她主張應以負擔評分挑戰不必要的試驗計畫要素。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
WCG 資料分析與洞察部門總經理 Metta Anderson 指出,臨床試驗計畫書(protocol)在設計時所背負的負擔,遠超過實際所需;而生成式 AI 如今讓贊助商能在試驗啟動前就量化這份負擔,把收案時程縮短兩位數百分比。整段訪談主要圍繞三件事:計畫書複雜度如何拖慢收案、負擔評分如何作為客觀基準,以及科學嚴謹性與營運可行性之間如何取捨;標題所承諾的「改善試驗表現」,是靠這三個主題撐起來的,而非任何單一案例研究。
Anderson 的權威來自兩處:一是她所稱 WCG 握有全球最完整的計畫書資料,二是 WCG 近期一項研究,把負擔分數與約 1,000 份計畫書、109,000 個試驗中心的收案資料串接起來。讀者讀完應該帶走的是:她引用的具體效應量、那個「30% 資料從未進入分析」的數字,以及為什麼刪減計畫書元素在政治上比新增元素難得多。
對試驗中心的負擔,比對受試者的負擔更能左右收案時程
WCG 這項近期研究是全集最硬的資料點。Anderson 表示,團隊分析了橫跨各治療領域與各期別的約 1,000 份計畫書,針對這些變數做標準化,再與這些計畫書所涉 109,000 個試驗中心的收案率比對。結果是:受試者負擔每增加一個標準差,整體收案時程約延長 10–11%;而試驗中心負擔出現同樣幅度的變化,收案時程則延長 22–23%。
效應在不同適應症之間差異極大。Anderson 說,腫瘤領域的影響約 7%;心血管領域的時程延長「可能高達兩倍」。她把重點定調為:從憑感覺判斷,轉向可量化的設計取捨——在前期就評估出來的複雜度,可以左右後續時程,而不是等到收案階段才發現。
| 負擔構面 | 對收案時程的影響 | 說明 |
|---|---|---|
| 受試者負擔 | 約 10–11% | 每變動一個標準差 |
| 試驗中心負擔 | 約 22–23% | 約為受試者效應的兩倍 |
| 腫瘤領域(任何負擔) | 約 7% | 各治療領域區間的低端 |
| 心血管領域(任何負擔) | 最高約兩倍 | 所引用區間的高階 |
生成式 AI 把原本耗時數週的人工審閱,變成可萃取的資料集
Anderson 解釋了為何計畫書負擔直到最近才成為可處理的議題。計畫書是複雜檔案,以 PDF 形式動輒數百頁,歷來缺乏標準化,導致負擔難以萃取,跨計畫書比較更難。她說,在生成式 AI 與大型語言模型出現之前,主題專家審閱單一份計畫書要耗掉「人生中的好幾週」——她轉述這些人的說法是「人生中最痛苦的幾週」——所以這從來不是輕鬆的一步。
LLM 改變了成本結構:負擔現在可以用「資料優先的方式」萃取出來,並與其他計畫書及標準治療(standard of care)做基準比較。Anderson 還點出第二個驅動力——隨著試驗愈來愈複雜、需要的試驗中心愈來愈多,招募受試者愈來愈難——這促使贊助商在啟動前就最佳化設計,而不是事後吸收延誤。
贊助商新增計畫書元素很乾脆,卻幾乎不刪任何東西
負擔之所以揮之不去,結構性原因是組織問題,不是技術問題。Anderson 描述,團隊在時程壓力下必須約 30 天內定稿計畫書,此時蒐集試驗中心、KOL 與受試者小組的意見反而成了卡關因素,也是最容易被跳過的一步。她說,醫療團隊力推科學嚴謹性,希望盡可能回答更多問題,這讓刪減變得困難。
她從試驗中心聽到的結果是:會讓計畫書「增加」的回饋會被採納,但任何會「刪減」內容的回饋「通常被忽略」。她謹慎地不願過度概括——她肯定有些公司做得很好,也舉出「非常成功的案例」——但認為預設狀態本身就是不對稱的。
「即使他們真的給了回饋,情況也變成:喔,只要我們新增東西,他們都很樂意採納;但如果我們想從計畫書拿掉任何東西,那通常會被忽略。」
約 30% 的試驗資料從未進入最終分析
Anderson 對「嚴謹性與可行性如何取捨」這個問題的答案,建立在一個數字上:產業試驗所蒐集的資料中,約有 30% 不會進入任何最終分析。她把這視為緩衝——有空間可以削減營運與計畫書的複雜度,而不必動到真正重要的科學。
她也從自身科學家的角度承認反方論點:假設情境推演、能為下一項試驗提供資訊的三級終點,以及為未來研究所做的檢測,全都站得住腳。她主張的紀律是:先問關鍵路徑是什麼,並把「必須有」的專案,與出於科學好奇心或為未來試驗而加的「有了也好」專案分開。她也明確呼籲科學界記得計畫書盡頭的那個人——她舉末期癌症受試者為例,這些人把最後幾個月投入試驗,是為了把某些東西傳承下去——她說,當團隊只盯著指標與統計數字時,這一點往往被遺忘。
負擔評分讓資料有發言權,但沒有投票權
Anderson 把負擔評分定位為對話工具,而非決策者。贊助商把草擬好的計畫書交給 WCG 做基準比較,她說結果往往令他們震驚——團隊原本就懷疑負擔沉重的計畫書,評分回來竟是 100 分裡的 90 分。分數會拆解成子專案,讓團隊看清自己究竟在哪裡特別吃力,例如在該領域中比同類計畫書笨重兩倍。
這樣的能見度會逼出一個明確的交代:這些額外程式或回診,究竟有沒有真正的理由?Anderson 說,答案往往是沒有,最佳化也就隨之而來。她的說法是「讓資料坐上談判桌」——把原本看不清的東西攤開來,但做決定的還是人。
計畫書設計正走向 AI 輔助起草、取捨可量化的方向
Anderson 預測未來五到十年,試驗的前期設計會出現根本性轉變,同時強調整個產業還處於非常早期的階段。她預期計畫書會起草得更快、更有效率,修訂風險更低,試驗中心與受試者的負擔分數也更低,因為設定正確的機器,能在同樣時間內讀取並考量比人類審閱者更多的內容。
她對這項預測附加了警告:隨著 AI 與資料扮演更重的角色,「垃圾進、垃圾出」的道理只會更適用,因此扎實的資料基礎與持續的主題專業必須並進。她強調的近程效益是可量化的取捨——贊助商可以基於競爭力、負擔或科學理由選擇某種設計,並提早看到這個選擇的代價。
flowchart TD
A["草擬計畫書,數百頁"] --> B["以 LLM 萃取負擔元素"]
B --> C["負擔分數對比基準計畫書"]
C --> D{"有科學理由嗎?"}
D -->|有| E["保留元素,記錄理由"]
D -->|沒有| F["刪除程式或回診"]
E --> G["最終計畫書"]
F --> G
G --> H["收案時程與修訂風險"]
挑選可行性工具時該看什麼
Anderson 對工具選擇的建議簡短,但與她其他回答一致:扎實的資料基礎,加上主題專業,兩者並進。工具的價值在於讓負擔變得客觀、可比較——基準分數、子專案拆解、與收案結果的連結——而不是把設計決策自動化。她反覆回到同一個想法:工具的任務是把取捨攤在陽光下,讓會議室裡的人能用數字去爭論。
本集未解的張力在於:Anderson 所屬的同一套科學文化,既是問題的成因,也是解方。嚴謹性讓計畫書不斷膨脹;嚴謹性也正是那 30% 未使用資料與 100 分裡 90 分的負擔分數,在內部難以被挑戰的原因。她預測 AI 會壓縮設計時程,但這取決於贊助商是否願意把「刪減」視為正當的科學行為——而試驗中心回饋的那段軼事顯示,他們目前並不這麼認為。值得持續追蹤的是:WCG 或同業是否會公佈各治療領域專屬的「負擔對時程」基準,因為她引用的腫瘤與心血管落差(7% 對最高兩倍),正是那種會改變贊助商如何依適應症排定計畫書審查優先順序的數字。