从人海战术到算法监查—一场已经发生却还未被充分理解的范式转移
图：基于AI的临床数据整合与可视化平台（来源： 数野科技-AI- RBQM平台）
2025年初， 某三甲医院临床试验中心。 一位资深CRA（临床监查员） 提着笔记本电脑和厚厚的监查清单走进了病案室。 她的办公桌上堆着10位肿瘤受试者最近一个月的诊疗记录—大约1000页纸质病历和电子文档打印件。 按照每天核查30到40页的行业标准速度， 她需要连续工作25天才能完成这一轮的源数据核查（SDV） 。
然而，现实的种种限制让这个计划显得荒谬：这家热门的研究中心每6到8周只向外部监查员开放2天的现场预约窗口。 简单的算术告诉我们， 光是这10位患者的首轮数据核查， 如果不加干预， 就要拖上整整一年。 这意味着， 当她在核对第一次访视的数据时， 受试者可能已经完成了全部疗程。
这不是2005年的陈旧场景， 而是今天很多临床试验项目仍在经历的“数据堰塞湖” 。
失控的成本算术
长期以来，制药行业奉行一种看似稳妥实则昂贵的信条：只有逐字逐句核对每一条数据，才能确保试验质量。这种执念导致现场监查费用（包含差旅）长期占据临床试验总预算的 25%以上。 在复杂的肿瘤或免疫类适应症试验中， 随着适应性设计和生物标志物采样的增加， 数据产生量呈指数级增长。 当10位患者在4周内就能产生1000页源文件时， 依赖“人海战术” 进行地毯式轰炸的物理极限已被突破。
这不仅仅是效率问题，更是一个无解的数学问题。更讽刺的是，投入巨资维持的100% SDV并未能有效构建数据质量的护城河。 大量研究表明， 单纯的转录比对只能发现拼写错误或数值录入偏差， 却极难发现逻辑性错误、 造假模式或系统性的方案违背。 我们正花费巨资去纠正那些对药物上市审批无关痛痒的细节， 却可能对真正的风险视而不见。
监管的转向
监管机构比大多数企业更早意识到了不可持续性。早在2013年， FDA就首次推荐了基于风险的监查模式。 随后的十年， 是一场从“建议” 到“强制” 的渐进式改革。
RBQM是什么， 以及它不是什么
即使在今天，仍有不少从业者误以为RBQM就是“为了省钱而减少监查” 。 这是一个危险的误解。 RBQM的核心不是“少做” ， 而是“聪明地做” 。
其底层逻辑建立在帕累托法则之上：并不是所有的数据点都生而平等。 Yamada等人在 2024年的研究中指出， 约80%的eCRF数据点属于非核心数据。 真正决定试验成败—即影响主要终点、 受试者安全及关键入排标准—的核心数据仅占20%。
RBQM通过设定质量容忍限（QTL） 和关键风险指标（KRI） ， 配合中心化统计监查， 将原本撒胡椒面式的SDV资源， 精确制导投放到那20%的核心数据和高风险中心上。 罗氏（Roche） 曾公开过一个经典案例： 在一个大型项目中， 他们通过RBQM模式只对20%的研究中心实施了高强度的现场监查， 其余80%主要依靠远程手段。 结果令人震惊—这种模式发现的关键偏差反而增加了17%。
图：基于AI的RBQM 技术架构（来源： 数野科技-AI- RBQM平台）
数据驱动的监查长什么样
当一家现代化的制药企业部署了成熟的RBQM系统后， 监查流程会发生质的变化。 这不再是带着空白表格去现场填空， 而是一场基于数据的侦查。
EDC （ 电子数据采集） 数据、 系统生成的稽查轨迹（ Audit Trail ） 以及质疑数据（Query） 等多源异构数据， 经过ETL处理后被喂给后台的统计引擎和机器学习模型。 系统会实时计算每个中心的“异常评分” 。 在KRI仪表盘上， 所有研究中心被映射为气泡图上的点， 颜色深浅代表风险等级。
图：基于AI的临床数据整合与可视化平台（来源： 数野科技-AI- RBQM平台）
当某个中心的数据分布开始出现统计学上的“漂移” ， 或者某些受试者的不良事件录入时间模式出现异常（例如总是集中在周五下午录入） 时， 系统会自动发出预警。 此时， CRA才收拾行囊出发。 他们手中拿着的不再是通用的核查表， 而是一份精确到受试者ID和具体变量的“问题清单” 。 他们去现场不是为了寻找问题， 而是去核实算法已经发现的问题。
还没结束的革命
中国市场目前的RBQM发展阶段， 颇似美国2017年前后的情形—制度层面的绿灯已经亮起， 工具和技术也已就位， 但组织惯性和认知转变的爬坡才刚刚开始。
从数据来看，这场革命的回报是丰厚的。 ACRO的白皮书数据显示， 全面实施RBQM的项目， 关键数据错误减少了4倍， 数据缺页率下降了45%， 大型申办方从最后一名患者访视到数据库锁定的时间平均缩短了10天以上。 这些数字背后， 折射出的是一种更根本的认知升级： 临床试验的质量不是事后核查出来的， 而是从设计阶段就通过风险控制“预埋” 进去的。 这场从人海战术向算法监查的范式转移， 大幕才刚刚拉开。
作者：超能文献|Suppr.wilddata.cn