AI医疗的患者招募技术并非肿瘤试验专属，在罕见病、遗传性疾病、神经系统疾病、免疫疾病等科室同样存在高需求，且这些领域因患者分散、诊断率低，AI匹配的边际价值甚至更高。 从全球AI药物管线的适应症分布看，癌症占66%，遗传性疾病与罕见病占12%，神经系统与免疫疾病占10%，肠道疾病占8%，其余为COVID-19及其他领域，可见非肿瘤场景已构成明确的第二、第三大需求板块。

罕见病与遗传病：传统招募近乎失效的场景

罕见病患者群体分散、诊断率低，传统招募渠道几乎无法触达，这恰恰是AI医疗匹配价值最高的领域。AI公司通过将医疗记录、医学文献以及患者主动上传的病理内容与受试药物信息进行匹配，帮助试验主体找到合适的受试患者。例如，患者向平台提交病历后，算法会将其与合适的临床试验进行匹配，这种跨机构病历检索能力在罕见病领域几乎是不可替代的。

神经系统、免疫疾病与观察性研究：被低估的增量市场

神经系统与免疫疾病合计占全球AI药物管线适应症的10%，这类慢性病试验对样本量要求严苛，患者长期随访的依从性管理同样是痛点。AI的价值不止于入组筛选——随着数字疗法与真实世界证据兴起，AI匹配对象正从治疗性试验扩展到观察性研究与长期随访项目。此外，AI还可基于公开临床数据辅助判断试验成功率，例如对样本量过小的慢性病试验设计提出质疑，降低试验失败风险。

常见问题

为什么肿瘤仍是AI患者招募的第一大场景？

肿瘤试验的入排标准复杂，常需特定基因突变或生物标志物筛选，传统人工筛选成本极高，AI匹配的效率优势最为显著，因此早期AI医疗公司多聚焦于此。

非肿瘤科室的AI招募需求有多大？

遗传性疾病与罕见病占12%、神经系统与免疫疾病占10%，合计超过两成，且这些领域患者分散、传统招募几乎无效，AI的边际价值甚至高于肿瘤场景。

AI患者招募对试验成功率有何帮助？

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，尤其小众疾病患者招募困难，AI通过病历匹配和临床数据评估，可辅助降低因招募问题导致的试验失败风险。