2018年，美國癌症協會發布了一份令人擔憂的報告，指出由於患者招募不足，20%的臨床試驗失敗，並且56%尋求治療的患者在其附近地區沒有臨床試驗，另有17%的患者不符合入組要求。
不幸的是，該報告並未導致系統發生重大改變。
但是，COVID-19 大流行迫使我們的系統開始解決當前臨床試驗基礎設施中的重大缺陷，並找到發展方法，以確保“流程”不再幹擾發現，並在治療可能有效時幫助患者。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。 透過購買訂閱，您將幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
首先，我們需要消除阻止患者參與試驗的過時地域障礙。在 COVID-19 爆發後，我們有幾位患者擔心他們前往我們的試驗地點接受治療的能力。一位患者——霍莉——正在參與一項乳腺癌試驗，居住在西海岸的全國另一端。我們沒有中止她的試驗，而是能夠將她的研究測試轉移到當地醫院，並透過遠端醫療進行她的定期複診。
幸運的是，在國家層面，食品藥品管理局 (FDA) 注意到這個缺陷，並透過制定一份綜合指南，從根本上動態地修改了其規則，以協助臨床試驗地點獲得關於如何在維護試驗完整性的同時保護患者安全的指導。該指南為試驗提供了靈活性，並宣告如果治療顯示出積極效果，則不會取消患者的試驗資格。這對於醫學界來說是一種令人耳目一新的方法，因為在正常情況下，如果霍莉無法再旅行，她可能會被取消試驗資格。我們需要使這項常識性規定永久化。
第二個步驟是消除阻止參與試驗的保險障礙。在 COVID-19 之前，我們有一位來自俄克拉荷馬州的臨床試驗患者，她被迫前往我們在芝加哥的醫院，因為她的保險公司不認可我們在塔爾薩的醫院為網路內提供商。當 COVID-19 爆發時，我們的團隊試圖說服該提供商改變其政策，並允許這位患者在塔爾薩恢復治療，而不是讓她開車近 12 小時前往我們在芝加哥的機構。我們成功了；然而，即使在正常情況下，患者也不應該承受這種型別的壓力。當患者最終找到可能挽救生命的臨床試驗時，不應該為了獲得保險 coverage 而不得不克服重重障礙，特別是對於那些傳統治療方案無效的患者。
第三個（但絕不是最後一個）步驟是改進我們連線患者與臨床試驗的方式。從歷史上看，臨床試驗給醫生識別合格患者帶來了巨大的壓力。這個過程可能緩慢而低效，並且在為研究找到合適的患者時，可能錯失的機會多於成功的機會。以倫納德為例——一位退休消防員，他一生都在衝進燃燒的建築物——他的主治醫生給了他六個月的生命。他決定尋求第二意見，那位醫生博尼利亞博士找到了一項與倫納德病情相符的臨床試驗。不幸的是，有太多的故事講述像倫納德這樣的患者從未尋求第二意見，這引出了一個問題，我們如何才能從等式中消除“偶然性”，並在幫助患者找到合適的試驗方面變得更有效率？
人工智慧 (AI) 應運而生。《BMC Medical Informatics and Decision Making》上發表的一項研究得出結論，使用人工智慧演算法可以“提高腫瘤科醫生的試驗篩選效率，並使通常被排除在試驗招募之外的小型診所能夠參與進來”。因此，人工智慧可以將患者識別時間線縮短近 90%，並幾乎消除人為干擾以及由大流行或其他變數引起的潛在錯失。現在是時候依靠人工智慧來確保我們比過去過時、乏味且低效的方式更快、更有效地招募到合適的患者了。
COVID-19 正在迫使整個醫療保健生態系統緊密合作，以尋找超越“照常研究”方法的創新解決方案。當我們繼續轉向後 COVID-19 新世界時，至關重要的是，我們要超越過時的協議，並開始擁抱能夠最大限度地提高患者結局的未來。透過人工智慧更新患者識別方法；要求資料收集更努力、更智慧地工作；並在當前的臨床試驗系統中提供靈活性，這將使我們有可能提高參與率，並實現最終目標——發現新的、更有效的癌症治療方法，以改善患者結局並挽救生命。
編者注（2020 年 8 月 6 日）：本文在釋出後經過編輯，刪除了對改善患者獲得癌症臨床試驗 (IMPACT) 研究的不正確引用。