全球臨床研究組織PSI CRO透過運用Arango情境資料平台驅動的AI知識引擎SYNETIC™，將臨床試驗據點識別時間從數週縮短至數分鐘。此舉解決了傳統據點選擇效率低下、成本高昂的問題，並利用AI整合碎形資料、提供透明可解釋的建議。這項技術提升了藥物研發效率，並為全球藥物開發的AI應用樹立新典範。
全球臨床研究組織PSI CRO近日宣布，透過運用Arango情境資料平台（Arango Contextual Data Platform）所驅動的AI知識引擎SYNETIC™，已成功將臨床試驗據點的識別時間，從原本最長六週大幅縮短至數分鐘。此一突破性進展，有望顯著提升藥物研發效率並降低高昂的營運成本。
藥物開發過程中的臨床試驗據點選擇，是藥物上市前最為關鍵且耗費巨大的環節之一。藥物從研發到上市可能需時十年至十五年，而臨床試驗的營運成本每分鐘可超過160美元。然而，業界長期面臨效率低下的問題，約有三到四成的臨床試驗據點招募病患數量不足，甚至約有15%的據點未能招募到任何病患。啟動一個臨床試驗據點的成本可能高達三萬美元以上，大型試驗往往涉及數百個據點。若多個據點無法成功招募病患，將導致每項研究的額外成本迅速累積至數百萬美元。
挑戰並非來自資料不足，臨床研究組織早已蒐集了大量關於研究人員、機構及過往研究的資料。然而，這些重要知識卻散布於多個獨立系統中，難以理解研究人員、機構、研究方案與試驗結果之間的複雜關聯性。
透過情境資料平台整合碎形資料
為了解決這項挑戰，PSI CRO開發了以Arango情境資料平台為基礎的AI知識庫SYNETIC™。此平台將結構化資料、文件以及歷史臨床試驗資訊整合至單一的情境資料層，完整保留了研究人員、機構、研究方案、病患群體及歷史結果之間的關聯性。
Arango透過在單一多模型平台中結合圖形關聯、向量嵌入、文件、鍵值資料與搜尋功能，讓PSI CRO能夠分析數十萬個歷史專案中臨床研究資料的連結方式。這種統一、即時且可信的業務情境，使研究人員得以從歷史研究中偵測模式、識別最有可能成功招募病患的研究人員與機構，並在數分鐘內產出據點推薦名單，取代過去數週的人工審核。
確保AI決策透明可解釋性
在高度管制的臨床研究環境中，決策必須透明且具備可辯護性。因此，AI系統不僅要提供建議，更需解釋其背後的推理依據。SYNETIC™提供了臨床試驗據點選擇決策的可解釋性洞察，包括推薦理由、來自歷史試驗資料的佐證、預測的信心水準，以及資訊或知識缺口的可視化。這種透明度讓PSI CRO的研究人員能夠信任AI生成的洞察，同時維持了受管制醫療環境所需的問責性。
PSI CRO知識管理與流程改進總監Andrei Seryi指出：「對AI代理程式而言，用戶的信任至關重要。我們的AI代理程式不僅推薦試驗據點，它還能解釋推理過程、突顯關鍵研究因素，並顯示信心水準，所有判斷都基於統一、即時且可信的業務情境。」Arango執行長Shekhar Iyer則強調，碎片化的資料與缺乏業務情境，是複雜產業部署AI代理程式的最大障礙。他表示，透過Arango情境資料平台，PSI CRO為AI建立了一個可信賴的基礎，加速臨床試驗據點的選擇。
PSI CRO的成功經驗顯示，在多數產業中，AI專案的成功不僅取決於模型與演算法，更依賴於背後提供支援的情境資料基礎設施。Arango情境資料平台協助企業連接分散於孤立系統中的碎形資料，同時保留人、機構、流程與結果之間的關聯，為可解釋性AI和資料驅動的決策提供統一的資料基礎。