临床受试者智能筛选：病历NLP解析+入排匹配

一家创新药企启动某项肿瘤适应症的三期临床研究，研究中心反馈的第一份进度报告就让项目经理犯了难：三个月只入组了计划人数的四分之一。研究者一句“符合条件的患者太少了”背后，是筛选团队每天翻阅上百份电子病历、逐条对照几十项入排标准、再挨个打电话确认意愿的高强度人工作业。有行业统计显示，临床试验中因受试者招募进度不及预期导致项目延期的比例长期居高不下，而招募相关的成本在整体研发预算中占据相当可观的一块。

问题的症结并不在于“没有患者”，而在于病历里的信息无法被高效读取，入排标准无法被自动执行。本文围绕“临床受试者智能筛选：病历NLP解析+入排匹配”这一主题，拆解从非结构化病历到候选受试者清单的完整链路，并说明实在Agent在其中能够承担哪些具体工作。

一、受试者筛选为什么长期停留在“人海战术”

1.1 数据本身是散落且非结构化的

病历不是一个文件，而是一组文件。门诊记录、住院病程、检验报告、影像结论、病理报告、用药医嘱、既往史、家族史，分散在HIS、EMR、LIS、PACS等不同系统中，格式涵盖结构化字段、自由文本、扫描件与PDF。筛选人员要判断一个患者是否符合入排标准，往往需要跨五六个界面手动检索。

• 字段缺失：关键指标如基因突变类型、既往治疗线数、近期用药，常常只写在病程记录的叙述里，不进入结构化字段。
• 表述多样：同一种病理分型，不同医生写法不同，缩写、别名、中英文混用十分常见。
• 时间敏感：入排标准往往带有时间窗口，例如“4周内未接受过系统性治疗”，需要结合医嘱时间精确计算。

1.2 入排标准是给人读的，不是给机器执行的

一份方案中的入排标准通常有二十到五十条，包含确诊要求、分期要求、既往治疗要求、器官功能阈值、排除疾病、合并用药限制等。这些条款天然带有模糊性和逻辑组合关系，直接编写成数据库查询语句极其困难。

• “经组织学或细胞学确诊”需要区分确诊依据的来源与可靠性。
• “研究者判断不适合入组”这类条款，机器无法独立裁决，必须回退给人工。
• 多条标准之间存在“与”“或”“非”的组合，单条命中不等于最终合格。

1.3 人力瓶颈与合规压力同时存在

筛选专员数量有限，一个项目并行推进时，人手被反复拆分。与此同时，受试者信息的查看、导出、传输都受到严格约束，必须在授权范围内、留痕前提下完成，人工作业在这方面反而更容易出现管理盲区。

二、病历NLP解析：把叙述性文字变成可计算的事实

2.1 解析的目标不是“读懂”，而是“取出可判断的事实”

临床受试者智能筛选中的病历NLP解析，不是做通用的病历摘要，而是围绕特定研究方案的入排标准，定向抽取与判断相关的事实要素。例如某个项目关注的是“EGFR突变阳性、既往接受过一代TKI治疗且进展”，那么解析的重点就落在基因检测结论、用药史、进展评估记录上。

• 实体识别：识别疾病、基因、药物、检验项目、手术操作、时间、剂量等实体。
• 属性绑定：把“阳性”“阴性”“野生型”“扩增”等结论性描述与对应实体绑定。
• 关系抽取：判断某个用药与某个疾病之间的关系，是治疗、是禁忌，还是无关记录。
• 时序归一：把“上月”“3周期前”“术后第5天”等相对表述转换为可计算的时间点或区间。
• 否定与假设识别：区分“未见转移”与“考虑转移可能”，避免把否定描述误判为阳性证据。

2.2 关键难点集中在否定、家族史与院外记录

真正影响准确率的往往不是常见表述，而是边界情况。家族史中的疾病不能算作患者本人的既往史；“建议进一步排查”只是怀疑，不构成确诊；外院记录中的诊断需要标注来源，不能与本院结论同等对待。这些细节如果处理不好，会把大量不合格患者推进候选池，反而增加人工复核负担。

2.3 解析结果必须可溯源

任何一条被抽取出来的事实，都应当能够回跳到原始病历的具体段落。筛选人员看到“符合”或“不符合”的判断后，需要一眼确认依据来自哪一句话、哪一个报告、哪一个时间点。可溯源不仅是效率问题，更是临床研究质量管理的硬性要求。

实在Agent可以在这一环节承担批量读取与解析工作：按项目要求自动进入指定系统拉取候选病历，对文本、扫描件、PDF分别进行解析与版面还原，抽取结果以结构化字段加原文出处的方式沉淀到本地，供筛选团队复核与导出。

三、入排匹配：让标准从“纸面条款”变成“可执行逻辑”

3.1 入排标准需要先被拆解成判断单元

一份方案要落地为自动化匹配，第一步是把每条入排标准拆成可单独判断的最小单元，并标注其数据来源、时间窗口、判断类型。例如“中性粒细胞绝对值≥1.5×10⁹/L”需要绑定到血常规报告、取最近一次、按数值比较；“既往未接受过免疫治疗”需要绑定到用药医嘱与院外记录。

• 可自动判断的条款：数值型、日期型、编码型、明确的是非判断。
• 需要语义判断的条款：诊断表述、影像结论、病理分型。
• 必须人工裁决的条款：研究者判断、依从性评估、特殊情况说明。

3.2 匹配引擎输出的是分层的候选清单

成熟的临床受试者智能筛选不会只给出一份“合格名单”。更实用的做法是分层输出：完全符合、基本符合但需确认、不符合但接近、明确不符合。筛选人员把精力集中在第二层和第三层，效率提升最为明显。

• 完全符合：所有硬性条款均命中，可直接进入知情沟通流程。
• 待确认：存在缺失字段、院外记录或语义歧义，需要人工补充确认。
• 明确排除：命中排除标准且证据充分，不再占用人力。

通过实在Agent，解析后的结构化事实可以与拆解后的入排逻辑逐条比对，自动生成带置信度与原文依据的候选清单，并把“待确认”项的原因写清楚，例如“缺少最近一次左室射血分数记录”或“外院用药记录需核对”。

3.3 匹配结果必须可解释、可留痕

研究者和管理者很难接受一个黑箱结论。每一条判断都应展示：命中了哪条标准、读取了哪份病历、依据是什么、置信度多少、由谁最终确认。审计时，这些记录构成完整的筛选过程证据链。实在Agent在执行过程中可同步生成操作日志与判断依据记录，减少事后补材料的成本。

四、实在Agent在受试者筛选全流程中的落点

4.1 从病历拉取到清单输出的自动化

在获得授权的前提下，实在Agent可以按预设的检索条件自动访问院内系统或研究数据平台，批量获取候选患者列表与相关病历资料，完成解析、匹配、清单生成、结果回写等步骤。整个流程可按项目节奏定时触发，也可以在方案变更后重新跑批。

4.2 与既有系统的衔接方式

医院和CRO的IT环境差异很大，有的以HIS为核心，有的已经部署了临床研究管理系统或EDC。实在Agent的价值在于不强行要求改造既有系统，而是通过界面操作与数据接口相结合的方式完成取数、处理与回写，降低实施门槛。

• 对结构化数据，直接读取字段并做规则判断。
• 对非结构化文本，调用NLP解析能力抽取事实。
• 对扫描件与PDF，先做OCR与版面还原再进入解析流程。
• 对需要人工介入的环节，生成待办清单并跟踪处理状态。

4.3 数据合规与安全边界

受试者信息属于高敏感数据。落地方案通常要求在内网或专有环境部署，按最小必要原则取数，对直接标识信息做脱敏处理，并保留完整的访问与操作审计日志。实在Agent的执行过程可配置权限范围与操作留痕策略，确保每一次读取、导出都有据可查。

五、典型场景与可参考的成效表现

5.1 医院GCP机构与研究中心

某三甲医院的研究者在多个项目并行时，需要反复在门诊与病房中寻找潜在受试者。引入自动化筛选后，系统每日按方案条件扫描新入院与新诊断患者，输出候选清单，研究者只需复核“待确认”项。类似的自动化思路在制造业招聘简历抓取入库场景中已经得到验证：把来源分散、格式不一的材料自动解析、结构化、入库，替代逐份手工录入。

5.2 CRO公司与SMO团队

CRO的核心压力是项目数量多、人力被摊薄。将病历解析与入排匹配标准化后，筛选专员从“找信息”转向“做判断”，单个项目的初筛周期明显缩短。某CRO团队反馈，初筛阶段的人工查阅量下降超过一半，研究者沟通的针对性显著提升。

5.3 药企研发与医学事务部门

对于申办方而言，筛选效率直接影响里程碑达成。通过统一的结构化筛选结果，项目团队可以更快掌握各中心的潜在受试者分布，及时调整中心布局与招募策略，而不是等到入组停滞后再被动补救。

六、落地路径与关键成功要素

6.1 建议分三步推进

• 第一步：单方案验证。选择入排标准相对明确、数据可及性较好的项目先行试点，验证解析准确率与匹配逻辑。
• 第二步：沉淀标准库。把拆解后的判断单元、字段映射、常见表述积累为可复用资产，后续方案复用率会持续提升。
• 第三步：多中心推广。在验证流程稳定后，扩展至更多中心与更多适应症，并纳入统一的质量监控。

6.2 三件事决定成败

• 医学与数据的协同：入排标准拆解需要医学人员参与，不能只由IT完成。
• 人工复核不可取消：自动化解决的是“找得到、算得清”，最终裁决权仍在研究者。
• 过程留痕从第一天做起：筛选依据、确认记录、操作日志要同步生成，避免事后补账。

临床受试者智能筛选：病历NLP解析+入排匹配并不是要替代研究者的临床判断，而是把人从重复查阅与逐条比对的劳动中释放出来，让专业判断发生在更靠后的、更有价值的环节。对于正在被入组进度困扰的研发团队而言，先从一份方案、一个中心跑通链路，往往比一次性铺开更稳妥，也更容易看清真实收益。

常见问题解答

病历NLP解析的准确率能达到什么水平？

取决于病历质量、科室书写习惯和标准复杂度。常见实体与数值型指标的抽取准确率通常较高，否定、假设、院外记录等边界情况的处理需要专门优化。实践中更建议关注“待确认项的召回能力”，即系统不遗漏可能合格的患者，把不确定的部分交给人工判断。

医院数据敏感，能否在本地部署？

可以。多数落地方式采用内网或专有环境部署，按最小必要原则取数，对直接标识信息做脱敏，并保留操作审计日志。实在Agent支持按权限范围执行任务并记录操作过程。

能否适配不同治疗领域的入排标准？

可以。入排标准的拆解方式与匹配引擎是通用的，差异主要体现在字段映射与医学词典上。随着项目积累，标准库与解析模板可以复用，新方案的配置成本会逐步下降。

系统给出的候选清单可以直接用于知情同意吗？

不建议。自动筛选输出的是候选范围与判断依据，最终是否符合入组条件、是否适合接触，必须由研究者结合临床实际情况确认。系统的定位是提高发现效率，而不是替代医学决策。