NIHR臨床研究網絡技術總監Gareth Baxendale稱，機器學習正逐漸滲透各專業領域，臨床試驗領域也不例外。

機器學習是否可以應用在臨床試驗并促進試驗的成功呢？機器學習已滲透到每一個數字生活領域，人們對此技術也寄予厚望。事實上，或許你每天都無意識中使用機器學習技術。比如，亞馬遜的Echo、蘋果的Siri 就是利用該技術進行語言識別。同時，谷歌的圖片搜索功能也是利用機器學習技術‘理解’圖片的構成。這是個很不錯的功能，你可以谷歌‘吉娃娃或藍莓松糕’，看看都顯示什么結果。

‘新知識’

機器學習是廣為傳播的另一概念 – 人工智能的一個分支。簡單來講，人工智能是人類智慧或人類行為的模仿，機器學習則是根據大量數據對‘方式’和‘行為’進行分析、檢查、并配對。因此，機器學習支持‘新知識獲取’的智能化、數據驅動的決策過程。‘新’知識讓人們備受鼓舞。比如，機器學習可以用于預測患者的診斷結果、制定最佳療程甚至評估風險等級。另外，它還有可能降低人為失誤。

考慮到種種優勢，機器學習應用于臨床試驗的嘗試是非常有必要有價值的。

臨床試驗

本質上講，臨床試驗是一系列須解答的問題，比如明確某種生物治療、藥品或者行為干預是否具有療效、是否安全。一些臨床試驗針對研發新型療法、有的則側重新的結合療法，有的則觀察不同的藥物套用于現療法后的醫學表現。不論是哪種，臨床試驗都是現有療程的綜合借鑒，以尋求更好的療效和安全性。

每次臨床試驗都需要大量的數據，以提供可信有效的醫學解答。這就為機器學習提供了第一個用武之地。

試驗數據

試驗階段會產生大量的數據，研究人員也需要收集大量數據。患者則通過參與調查問卷、填寫衛生日志、使用APP產生數據，同時心電圖、核磁共振等檢查也會產生數據。機器學習通過匯總分析這些數據獲得‘新信息’，而這些‘新信息’通常不可能在其他途徑下發現。以一家位于波斯頓的生物制藥公司BERG Health為例，該公司有一個‘疑問性生物’（Interrogative Biology）的機器學習平臺。通過平臺研究人員可以辨別藥物的生物標志物并監控試驗患者的反應。公司稱：“我們根據個體患者的生物特征進行平臺建模，并根據患者的藥物反應，對試驗人群分類，對患者生物體征和反應進行全程監控。這有利于試驗的成功。”

在癌癥的臨床試驗方面，一家英國公司ImageAnalysis利用機器學習技術分析了成千上萬張圖像資料。他們希望，機器學習通過分析進行辨別，并預測早期癌癥癥兆，進而為患者提供個人化的治療過程。

最近，國家衛生研究院（NIHRNational Institute of Health Research）的基礎醫療研究中心開展了一項研究，該研究獲得授權使用臨床實踐研究數據（Clinical Practice Research Datalink）提供的英國37.8萬患者的電子病歷。研究人員從病歷庫調取了患者的風險信息比如吸煙史、血壓等，將這些信息在四種新研發的算法下進行檢測，預測患者的心臟病風險因素。研究報告稱，“其中三種算法，在預測心臟病患者人數以及預測不會引發心疾的患者人數上均優于現行的風險模型。”

募集志愿患者

另一個應用領域是試驗志愿者的募集 ，分辨出適合的，并有意愿參與和完成試驗的患者的募集。辛辛那提兒童醫院通過機器學習技術，查找患者接受或拒絕試驗邀請的原因。

募集足夠數量的患者完成調查研究對于很多醫療課題都是一個挑戰。傳統方法募集患者約有60%的成功率，研究人員預測，自動算法可以把患者接受率提高到72%。

成果出版

臨床試驗結束后，需要在專業期刊上發表試驗結果。到項目最后一環，機器學習也可以幫上忙。倫敦國王學院（King’s College London）正在做一項‘審稿機器人（Robot Reviewer）’的機器學習項目。該項目由醫學研究委員會（Medical Research Council (MRC)）資助，旨在研發一種自動進行偏差評估的評審體系，幫助研究人員綜合思考相關已發表依據的全面性。

未來應用

機器學習技術在未經監測的情況下直接決策的這種情景，可能還需要更長時間才能實現。但是，幾乎可以肯定在不遠的將來，所有醫療診斷、醫學監測、以及醫療方案的制定在一定程度上都依賴于機器學習平臺提供或建議的新知識。同時，已有一些平臺提供有事實依據并可操作的臨床試驗APP –這對全世界的醫學研究、對患者都是有益的。