从远程信号到临床行动:AI如何形成可执行的证据
编者按
远程临床研究可以持续采集患者的心率、活动量、睡眠、电子患者报告结局和护理记录。但数据采集得更多,并不意味着研究团队能够更早发现风险。
当监测数据不断增加,真正稀缺的是研究者的注意力。哪些变化具有临床意义,什么情况需要进一步复核,提醒应当发送给谁,又应在多长时间内处理,这些问题决定了远程数据能否转化为临床行动。
在2026 DIA药物信息大会暨展览会期间,DIP邀请大阪医科药科大学山川一马教授介绍了AI在脓毒症研究、居家健康监测和临床决策支持等场景中的应用。这些实践共同指向一个问题:AI不仅需要从复杂数据中识别信号,还要把信号交给有权限、有能力采取行动的人。
数据越多,临床判断未必越快
在一项脓毒症精准治疗研究中,研究团队从25名患者的114份流式细胞检测文件中,获得了超过348万条原始细胞数据。这些数据涉及多类中性粒细胞和血清标志物,无法直接用于床旁判断。
AI可以协助完成自动化设门、无监督聚类和特征识别,从高维数据中寻找可能与治疗获益相关的细胞表型。但发现信号只是研究的第一步。为了让结果能够被临床人员使用,还需要将复杂特征转化为常规诊疗中能够获取的变量,并在独立人群中验证其稳定性。
这形成了一条从研究数据到临床工具的基本路径:高维数据用于发现候选信号,临床变量用于构建可执行的判断方式,独立队列则用于检验结果能否复现。
每一次转换都会舍弃一部分信息,却也会提高结果在临床现场的可用性。未经筛选和验证的数百万条数据,不能直接成为医学结论;经过验证的少数关键变量,才有可能进入医生的判断过程。
远程监测也需要经历信号筛选
远程临床试验面临类似的问题。
可穿戴设备、电子患者报告结局、居家检测设备和护理记录可以连续产生数据。但其中既包含患者状态的真实变化,也包含设备误差、佩戴方式变化、网络中断、生活习惯波动和偶然异常。
如果系统把每一次波动都发送给研究团队,远程监测并不会提高效率,反而可能制造大量无效提醒。因此,原始数据进入风险判断之前,需要经过设备质量检查、时间对齐、缺失识别、个体基线比较、特征提取和风险分层。
设备采集到一个异常数值后,系统首先需要判断设备是否正常、数据是否完整,以及这一变化是单次波动还是持续趋势。随后还要结合患者的既往病史、治疗情况和其他指标,判断它是否具有进一步复核的价值。
AI在这里承担的不是直接诊断,而是从大量连续数据中筛选值得关注的变化,让研究团队把有限的注意力放在更可能具有临床意义的事件上。
个人基线比统一阈值更接近真实变化
在高龄人群的连续健康监测中,同一个指标对于不同患者可能具有不同意义。
某项数值即使仍处于一般参考范围,也可能已经明显偏离患者长期稳定的状态;另一些数值虽然超过统一阈值,却可能是患者持续存在的个体特征。仅依赖固定阈值,容易同时产生漏报和误报。
日本北海道一项老年健康管理实践整合了电子病历、急救记录、可穿戴设备、养老护理和环境传感等多类信息。系统首先学习个人相对稳定的健康状态,再识别与个体基线相比出现的异常变化。
个人基线能够帮助系统识别细微而持续的偏离,但不能独立构成临床结论。年龄、慢性疾病、治疗调整和设备差异都会影响数据表现。系统发出提醒后,仍需要通过人工联系、再次测量、临床评估或转诊等方式确认风险。
这类实践虽然不等同于临床试验,却揭示了连续监测的基本条件:数据采集系统必须与人工响应机制共同运行。只有信号,没有后续处理,远程监测就只是一个不断扩大的数据库。
提醒必须连接到明确的响应动作
远程数据进入临床研究后,方案需要预先说明不同数据的用途。
有些数据用于探索患者行为和疾病变化,有些数据用于支持研究终点,还有一些数据承担安全性监测功能。不同用途对应的验证要求、处理时限和责任岗位并不相同。
研究方案还需要明确异常判断规则。单次异常、持续异常和多个指标同时异常,可能需要触发不同级别的响应。研究护士可以负责首次联系和信息补充,研究者负责医学判断,医学监查人员关注跨中心的安全性趋势,药物警戒人员则处理符合报告标准的不良事件。
设备离线、患者漏报或数据质量不足时,也应设置替代程序。例如,系统可以先提醒患者重新测量;持续缺失时再由研究人员联系;涉及潜在安全风险时,则启动更高优先级的人工评估。
如果相同的提醒在不同中心得到完全不同的处理,再密集的数据也难以形成一致的研究证据。因此,远程监测系统不仅要识别信号,还要记录提醒发送给谁、何时处理、采取了什么措施以及最终如何关闭。
准确率之外,还要评价提醒负担
连续监测系统容易出现的一个问题,是提醒数量过多。
如果研究人员每天收到大量低价值提醒,即使系统在统计意义上保持较高准确率,使用者也可能逐渐降低敏感度。真正重要的信号反而可能被淹没在频繁提示中,这就是常见的提醒疲劳。
评价远程监测模型时,不能只看总体准确率。还需要考察高风险事件的召回能力、阳性预测值、单位患者产生的提醒数量、人工复核时间、不同患者人群和设备环境中的表现,以及缺失数据出现时的稳定性。
这些指标需要放在一起判断。减少漏报具有价值,但如果每减少一次漏报,都要增加大量人工复核,研究成本和执行压力可能只是从现场访视转移到了后台监测。
更合理的目标不是让系统发出尽可能多的提醒,而是在可以接受的人工负荷下,及时发现真正需要干预的风险。
AI不能跨越临床权限边界
从远程信号到临床行动,中间必须保留清晰的权限边界。
AI可以完成数据整理、异常识别、指南检索、文献匹配和参考信息生成,但不能自主作出诊断、调整治疗或开具处方。涉及患者安全和医学处理的决定,仍需要由具备相应资质和职责的专业人员确认。
在院内临床决策支持场景中,AI可以把患者信息与临床指南进行匹配,帮助医生快速查找依据并整理病历。正式诊疗建议、医患沟通内容和医疗文书则必须经过医生审核。
类似的分工也适用于远程临床试验。系统可以判断某项数据是否满足预设规则,并把相关信息发送给研究者或医学监查人员,但不能代替他们决定患者是否需要就医、暂停研究干预或报告不良事件。
自动化的重点不是取消人工判断,而是减少专业人员在查找、整理和转发信息上的时间,让他们更快进入真正需要临床判断的环节。
远程研究不能把负担转移给患者
远程参与并不天然等于低负担。
患者需要佩戴和维护设备,保持设备充电和联网,按时填写量表,完成居家检测,并接听研究团队的随访电话。原本集中在医院访视中的负担,可能被拆分成每天都要完成的小任务。
如果采集项目过多、操作复杂或提醒频繁,患者依从性可能下降,缺失数据也会增加。对于老年人、不熟悉数字工具的人群以及网络条件有限的地区,这一问题更加明显。
每一项远程数据都应对应明确的研究用途。它需要支持某个研究终点、安全性判断或执行决策,并且有明确的查看人员和处理时限。无法改变研究判断,也没有人持续查看的数据,不应仅因为技术上可以采集就被纳入方案。
研究团队还需要提供必要的设备培训、人工支持和故障替代方式。当设备无法正常使用时,患者应当能够通过电话、现场访视或其他渠道完成关键评估。远程工具应减少参与障碍,而不是创造新的数字门槛。
从远程数据到可追溯证据
多中心、长周期的远程临床试验,需要同时管理设备数据、电子患者报告、病历信息、访视时间窗和安全性事件。不同系统使用的时间格式、术语和患者标识可能并不一致,异常处理也可能分散在邮件、电话和多个工作平台中。
DIP通过专业智能体将这类工作拆分为边界清晰的任务。系统接收设备和电子患者报告数据,统一时间与术语,识别缺失和异常,再结合病历与研究方案形成患者级风险摘要。
访视时间窗、潜在不良事件和数据差异,可以按照预设规则分派给研究者、临床监查员、数据管理或药物警戒人员。每项任务同时保留数据来源、判断规则、模型版本、处理人员和当前状态,关键医学结论仍由专业人员确认。
进入数据分析和注册申报阶段后,远程数据的处理规则、版本变化、人工复核和异常处置记录继续被保留,并与数据清理、分析数据集、统计结果和临床研究报告衔接。
这样做的价值不仅是更快地处理数据,更是保证一项风险信号从出现、识别、分派到关闭都有完整记录。即使患者远离研究中心,风险信号、责任人员和证据来源也不会失去连接。
结语
远程临床研究的关键,不是采集尽可能多的数据,而是让有限的临床注意力集中在真正重要的变化上。
从数百万条细胞数据中寻找可用特征,与从连续设备数据中识别患者风险,本质上都需要完成同一件事:对原始信号进行清洗和压缩,验证其稳定性,再把结果交给有权限采取行动的人。
AI可以提高信号处理和任务分派的效率,但不能代替临床判断,也不能省略证据验证。只有当数据用途、提醒规则、响应时限、责任岗位和人工接管机制都被明确下来,远程信号才可能成为可执行、可追溯的临床证据。
来源说明:文章结合2026 DIA现场分享及相关行业实践整理。涉及的研究数据和项目结果,以正式发表资料及相关机构公开信息为准。