从工业界寄予厚望的首个KRAS抑制剂Sotorasib由于不稳健的FPS数据在ODAC会议上2：10的一面倒投票，到创新siRNA疗法Patisiran用于罕见病ATTR-CM在经历专家咨询委员会9：3支持后被FDA因未能提供OS获益而翻盘出示CRL，再回顾一年前当红PI3K抑制剂Duvelisib用于r/r CLL/SLL 由于缺乏OS获益同时在安全性上出现明显毒性而被ODAC以8：4投票反对。这三起引起行业轰动的研发大事件并非偶发的，其结果背后是药政当局对新药临床开发提出了更低容错率的监管逻辑。
更严监管下，如何与时俱进，打破传统临床试验痛点，是摆在所有新药研发申办者面前亟需正视的现实问题。
创新技术/新药的研发是一个系统工程，作为整个流程中耗时、耗费占比最高同时失败率居高不下的临床开发，“十亿&十年”投入的双十魔咒是整个行业发展亟需解决的痛点。
随着大数据及AI创新科技的兴起，利用历史临床试验数据提高临床开发成功率、优化临床研究中心的选择和通过历史临床试验数据构建外部对照组等创新临床试验模式是生物医药/技术行业可选择的前瞻性探索。这样的创新模式在全方位满足最新法规要求的前提下，从不同角度、不同维度，提高新药临床开发成功率和临床开发效率。
如何通过历史数据提高试验成功率?
在过去20年，进入临床I期的产品仅有12%能成功获批上市。要提高产品在临床开发阶段的成功率必须更精准地设计研究、加速临床试验的实施。在这个维度上，充分利用同类适应症的历史临床数据支持新药研发能够起到事半功倍的效果。
今年9月的Medidata NEXT中国年会上，Medidata AI试验设计解决方案高级总监Tanmay Jain先生就如何利用历史数据支持新药研发这一专题，分别从7个关键维度分享了Medidata所提供的针对性解决方案。包括从立项伊始对所开发适应症的深刻理解、对亟需满足的临床需求的把握，到试验设计层面适应性临床设计的采用、入排标准的优化和临床安全性和有效性终点的预测以及在统计考量上引入外部对照组数据，在试验实施中对受试者脱落风险的预测并制定和执行应对政策。
从这7大关键维度的应用，我们认为通过提前判断存在脱离风险的受试者特征来制定受试者保留策略、和通过历史同类数据预测安全性和有效性终点等方式，如果能适时用于全球首个G12KRAS抑制剂Sotorasib的验证性临床开发试验CodeBreak 200中，或多或少能避免此次FDA NDA的滑铁卢。
优化研究中心选择，提升研究速度
试验管理是一门平衡研究效率和研究质量之间关系的艺术。在启用AI之前，这部分更多是依赖于研究团队的经验和有限的公开数据。但是，经验的主观性和公开数据的限制也制约了申办方制定更准确的研究执行计划。基于真实临床研究运营数据的AI工具可以很好弥补此短板，特别对于没有足够人力资源和资金匹配系统的Biotech公司。在监管当局对受试者多样性选择的指导意见下，基于海量高质量数据所训练的AI能够从临床试验实施风险点的预测、试验入组数量和所覆盖国家的研究中心选择，以及同类适应症和药品既往临床试验运营数据的评估等多个维度提供精准指引。
通过历史临床试验数据构建外部对照组
RCT是临床试验的金标准，但并不适用于所有情况。在如罕见病，严重危及生命或有违伦理等特定情况下，药物开发者可以引入外部数据来充当对照组，从而使试验证据更加完善。
今年2月，针对新药临床开发过程中采用基于历史临床试验构建的外部对照组，美国FDA提供了监管层面指导。
Medidata产品解决方案高级顾问朱鸣先生在年会中表示：
Medidata基于历史试验数据打造的合成对照组经过实践证明，和常规RCT的对照组具有等同的统计学意义。
通过非小细胞肺癌和复发难治性多发性骨髓瘤这两个分别代表实体瘤和血液肿瘤的适应症案例，朱鸣介绍了合成对照组整个流程和核心考量点。这一分享也吸引了整场参会人员的极大兴趣，引发是否可寻求相应可行性落地方案的思考。
朱鸣强调，通过来自历史临床试验的对应数据支持确证性临床试验的开展和后续的NDA申报是目前工业界所关注的焦点。迄今为止，已经有数家企业在过去5年利用真实世界研究数据拿到FDA的批准，如K药（Pembrolizumab）获得MSI-H/MSS的补充适应症和Avelumab在MCC适应症的获批等。
从三个方面重温Medidata年会上对当下临床试验实施的优化方向，复盘业内众说纷纭的失败案例，我们会发现答案也许就在其中。
文：GCP研究大汇