AI 医疗切入临床试验成功率评估，本质是在“数据供给—模型评估—服务执行—药企决策”之间形成一条分工链条：上游由公开临床数据与申办方历史数据构成数据供给方，中游由 AI 制药企业承担模型搭建与成功率评估，CRO 与患者招募机构负责落地执行，下游传统药企是直接需求方。 已有公司基于公开临床数据，用 AI 判断试验设计是否成立——例如某神经系统疾病药物的临床试验仅纳入 10 个病人，在 AI 评估体系下无法通过，因为对慢性病而言样本太少，即便成功也缺乏说服力。
各环节的角色与信息流
产业链上游主要是 AI 模型数据集供应及云计算平台。其中，数据集提供的医药数据是行业的关键竞争壁垒，云计算平台保障底层算力供给。落到试验成功率评估场景，数据来源包括公开临床数据与申办方自身的历史试验数据。
中游是 AI 药物研发企业与 IT 企业。AI 药企在医药数据集基础上，依托内部训练工具与 AI 开发工具搭建和训练模型，并以医药研发外包形式与下游合作；IT 企业则通过自建 AI 药物研发平台、提供算力与计算框架参与其中。
服务方以 CRO 和招募机构为主。临床试验是新药研发中耗时最久、资金花费最高、最容易出问题的环节，尤其在小众疾病、罕见病领域，患者招募是难题——据统计，近三分之一的 III 期临床因患者招募问题而失败。已有 AI 公司介入招募环节，将医疗记录、医学文献、患者主动上传的病理内容等信息与受试药物信息匹配，帮助实验主体找到合适患者。
下游以传统药企为主，中游企业将药物研发阶段的服务直接出售给药企，药企是 AI 药物研发的直接需求者。
| 环节 | 主要角色 | 核心职责 |
|---|---|---|
| 上游 | 数据集供应方、云计算平台 | 提供医药数据与算力 |
| 中游 | AI 药企、IT 企业 | 搭建模型、评估试验成功率 |
| 服务方 | CRO、患者招募机构 | 试验执行与受试者匹配 |
| 下游 | 传统药企 | 提出需求、承接研发决策 |
常见问题
AI 如何判断一个临床试验设计能否通过？
主要基于已有公开临床数据，用 AI 评估样本量、适应症等要素是否合理。以某神经系统疾病药物为例，试验仅设计 10 个病人，对慢性病来说样本太少，即便试验成功也没有说服力，因此无法通过评估。
为什么患者招募会成为产业链的关键一环？
临床试验是新药研发中耗时最久、资金花费最高、最容易出问题的环节，小众疾病与罕见病患者招募尤其困难。据统计，近三分之一的 III 期临床因患者招募问题而失败，因此招募机构与匹配算法的价值突出。
AI 制药的商业模式会如何演变？
当前主要有 AI SaaS、AI CRO、AI Biotech 三类。结合市场环境判断，SaaS 软件服务类模式预计会逐渐消失，企业将向 AI CRO 与 AI Biotech 转型；其中 AI Biotech 因发展潜力大、市场空间不受限，会成为多数企业的选择。