川海智库

报告概述

本报告由Bourne Partners研究团队编制，聚焦人工智能（AI）在临床试验中的采纳趋势与市场动态，属于临床研究技术与SaaS垂直领域的研究成果。报告以药物研发日益复杂化为背景，系统梳理了临床试验复杂性的驱动因素、AI监管环境的最新进展、AI在试验设计、患者招募、数据监控等环节的具体应用，以及相关科技公司在资本市场的估值变化。报告基于对生物制药企业、CRO、研究者网络和SaaS厂商的调研，结合监管文件与公开数据，采用定性分析与情景测算相结合的方式，为理解AI如何重塑临床试验提供了完整框架。读者可从中了解行业痛点、技术机会、政策风向以及主要厂商的战略布局，是药企、投资机构和技术服务商评估临床研究数字化的重要参考资料。

报告的核心结论

临床试验复杂性上升，源于数据过度收集

报告指出，尽管生物制药融资环境改善，但临床试验复杂度持续上升，部分原因是研究者习惯收集所有可获取的数据，导致大量非核心和非必要数据。这种自我诱导的复杂性推高了研发成本、延长了试验周期，并加重了患者与研究中心的负担。报告认为，AI可通过优化方案设计和数据收集流程来缓解这一问题。

监管真空抑制AI应用，FDA指南将成催化剂

报告认为，多数药企和生物科技公司对风险高度敏感，缺乏明确的AI监管规则是阻碍技术采纳的关键。FDA于2025年初发布的草案指南，以及随后与EMA联合发布的原则，正逐步构建监管框架。报告预计，最终版指南将有助于消除不确定性，从而大幅推动AI在临床试验中的使用。

AI增量效率主要来自试验前端设计

报告在分析AI的应用场景后指出，虽然AI可用于随机化、供应管理和中心化监控，但最大的效率提升机会出现在临床试验的前端阶段。例如，AI驱动的数字孪生模拟、协议优化和合成对照组能够预测方案效果、精简数据收集，帮助申办方在试验启动前做出更科学的决策。

代理式AI将强化垂直SaaS，而非取代

报告指出，投资者担心代理式AI会商品化软件开发，但这种威胁主要针对跨行业的水平SaaS。垂直SaaS厂商因拥有专有临床数据和深厚的领域专长，在高度监管的临床试验市场中具备护城河。AI反而让他们能更高效地利用数据，加速产品创新，从而提升竞争力。

报告回答的关键问题

AI如何降低临床试验成本？

报告认为，AI可通过合成对照组减少对照组患者数量来节省成本。在报告的罕见病试验情景中，用合成对照替代50%对照患者，使总成本降低约10%，同时缩短六个月研发时间。此外，方案数字化的AI工具可减少人工转录错误和启动延迟，进一步间接节约开支。

FDA如何监管AI在临床试验中的使用？

报告显示，FDA于2025年1月发布草案指南，采用风险基础方法，要求进行内部和外部验证、提供模型透明度、建立治理文档并保持人类监督。FDA还推出Elsa平台，与EMA发布联合原则，并纳入特朗普政府AI行动计划，形成多层次监管框架。

临床试验复杂性为什么持续上升？

报告指出，这源于治疗领域转向肿瘤、CNS和传染病等复杂疾病，以及IRA对生物制剂的偏好导致投资流向复杂大分子药物。此外，研究者过度收集数据也加剧了“自我诱导”的复杂性。报告认为这些因素使试验设计、招募和数据管理变得更加困难。

哪些临床研究SaaS厂商值得关注？

报告列举了多家在AI领域积极布局的厂商，如IQVIA、Medidata、Oracle Life Sciences、Veeva、Suvoda和WCG等。这些厂商利用专有数据和领域知识，在临床试验设计、患者招募、监控和支付等环节推出AI解决方案。报告认为，代理式AI将增强而非削弱这类垂直SaaS的竞争优势。

报告中的代表性数据

929,000条（2012年）增至600万条（2025年）

平均III期临床试验数据量

2012年、2025年，报告用该数据说明临床试验复杂度激增，数据量在13年间增长约六倍。

约8.02亿美元（2010年）增至约26亿美元（2025年）

新药平均开发成本

2010年、2025年，该成本包含失败项目，年均复合增速约8%，反映临床复杂性带来的成本压力。

超过三分之一（>33%）

临床数据中非核心/非必要数据占比

2025年末（Tufts/TransCelerate研究），在II期和III期试验中，非核心数据指不支撑主要/次要终点的数据，非必要数据指超出终点或法规要求的数据，两者合计占比超过三分之一。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 临床试验复杂性深度诊断：报告从资金环境、治疗领域转移、政策激励和内部数据文化四个维度，拆解临床试验复杂度上升的原因，并配有多项历史对比图表，展示III期试验中入组标准、程序数量、国家数量等指标的变化，帮助读者理解行业痛点。
  • AI监管政策全景图：梳理了美国联邦层面从2023年行政令到2026年国家框架的监管进程，包括FDA草案指南、AI行动计划、FDA-EMA联合原则等关键文件，并讨论了州级监管冲突对跨州试验的影响，为合规决策提供参考。
  • AI应用场景详解：逐一介绍AI在虚拟仿真、数字孪生、合成对照组、方案数字化、RTSM、风险监控和去中心化试验中的应用，并给出技术原理、价值主张及与ICH E6 R3的契合点，方便读者评估技术适用性。
  • 估值变化与行业重构：分析代理式AI对SaaS估值的冲击，展示科技/医疗IT可比公司估值倍数走势，并讨论“SaaSPocalysis”下垂直SaaS的机遇，为投资者和从业者提供市场定价参考。
  • 并购交易与资本动态：列举近两年与临床研究技术相关的并购案例，包括买方、卖方、时间及业务简介，展示行业整合趋势和战略买家对AI+临床试验资产的需求，为投资与退出策略提供线索。
  • 重点厂商深度档案：对Advarra、IQVIA、Medidata、Oracle、Suvoda、Veeva、WCG等头部厂商逐一分析，涵盖发展历史、AI产品线、近期并购与合作伙伴关系，帮助读者把握竞争格局和技术路线。
  • 中小厂商生态扫描：收录Carebox、4G Clinical、Citeline、ConcertAI、Unlearn等30多家企业的简介，包括总部、融资方、核心产品与AI功能，呈现临床研究SaaS的完整竞争图谱，便于市场筛选和对比。
  • 研究方法与数据来源：说明报告基于Bourne Partners团队与制药、CRO、SaaS厂商的访谈，以及FDA、Tufts等公开数据，并注明估值数据截止日期与统计口径，增强报告的可信度和可追溯性。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告