AERO: An AI Agent for Adaptive Eligibility Refinement and Optimization of Clinical Trial Criteria in Real-World Trial Emulation

本文介绍了AERO，这是一个人工智能代理框架，它利用大语言模型对临床试验的纳入标准进行系统分类与优化，以实现对真实世界数据的模拟，正如在WARCEF试验模拟中所证明的那样，该方法提高了治疗效果估计的普遍性和准确性。

要点

想象一下，你正试图利用一个装满来自成千上万个家庭食材的巨大、杂乱的现实世界储藏室（即你的电子健康记录），来重现一场著名且控制完美的烹饪比赛（即随机对照试验，RCT）。

在原比赛中，评委们有一张非常严格的规则清单：“仅使用 2 岁以下鸡所产的蛋”、“若厨师有特定过敏史则不加盐”、“厨师必须能够连续站立 4 小时而不休息”。这些规则确保了比赛的公平性，并使结果清晰明了。

然而，当你试图在现实世界的储藏室中寻找这些确切的食材时，你碰壁了。你无法仅通过观察鸡蛋就判断鸡的年龄。你没有每位厨师过敏史的记录。如果厨师从未实际需要站立 4 小时，你肯定无法知道他们是否能够做到。如果你试图完全按照原文应用这些原始规则，你可能会最终扔掉储藏室中 90% 的食材，导致你几乎没有可供研究的厨师。更糟糕的是，你可能会无意中只保留了“完美”的厨师，从而使你的结果看起来与现实世界大相径庭。

AERO 登场：智能副厨师长

这篇论文介绍了AERO（自适应资格细化与优化的人工智能代理）。将 AERO 想象为一位博学多才、极具智慧的副厨师长，他帮助你将这些严格的比赛规则转化为适合你杂乱无章的现实世界储藏室的可操作方案，同时不丢失原比赛的精神。

以下是 AERO 的工作原理，使用简单的比喻：

1. “四格”分类系统

AERO 不是盲目地试图遵循每一条规则，而是审视每一条规则，并问：“这条规则真正的目的是什么？”它将每条规则归入以下四个类别之一：

• 第 1 格：“必备项”（严格纳入）：这些是定义比赛对象的核心规则。例如：“厨师必须正在制作汤。”AERO 将这些保留为硬性过滤器。如果你不在做汤，你就出局了。
• 第 2 格：“安全警告”（严格排除）：这些是关于危险的规则。例如：“患有严重坚果过敏的人不得入场。”AERO 也保留这些规则，因为安全是不可协商的，并且在记录中通常很容易识别。
• 第 3 格：“背景噪音”（混杂因素）：这些规则描述了厨师，但不一定使他们失去资格。例如：“厨师过去必须使用过特定品牌的盐。”在现实世界中，这可能只是一个让汤味道不同的因素，而不是将厨师踢出局的原因。AERO 会说：“不要把他们踢出去！只需记录下来，等我们品尝汤时再对此进行调整。”这样可以将更多人保留在研究中。
• 第 4 格：“不可能完成的任务”（剔除/操作性）：这些规则在现实世界的储藏室中毫无意义。例如：“厨师必须能够不间断地遵循 4 小时的方案。”你无法在数据库中检查这一点。AERO 会说：“我们无法测量这一点，所以让我们完全剔除这条规则，以免我们意外地排除了优秀的厨师。”

2. “知识图书管理员”

AERO 并非凭空猜测。它像一位图书管理员，在做出决定前会调出三本不同的书：

• 一本医学百科全书（UpToDate），用于了解疾病。
• 一位智能 AI 助手（Claude），用于解读上下文。
• 一本药物安全手册（ToolUniverse），用于检查危险的相互作用。

通过将原始试验规则与这些额外知识相结合，AERO 决定保留哪些规则、调整哪些规则以及剔除哪些规则。

3. 试驾：WARCEF 试验

为了验证 AERO 是否有效，研究人员利用它重现了WARCEF 试验。

• 原始试验：比较了华法林（一种血液稀释剂）与阿司匹林对心力衰竭患者的效果。结果如何？没有差异。这两种药物的效果大致相同。
• 问题：如果你试图使用原始严格规则在现实世界的医院记录中寻找这些患者，你很可能会得到一个极小且奇怪的群体，他们看起来不像真实的人。
• AERO 的解决方案：AERO 重新分类了规则。它保留了心力衰竭诊断（必备项）和安全排除项（安全警告）。但它将诸如“近期安装起搏器”或“特定用药史”之类的内容移入了“背景噪音”格，这意味着他们保留了这些患者，但稍后在数学计算中进行了调整。

结果：
当他们使用 AERO 优化的规则运行研究时，他们得到了HR = 1.56的结果（这是一种统计学说法，意为“无显著差异”）。这与原始试验的结论（HR = 1.01，“无差异”）相符。

“消融”教训（“如果”实验）
这篇论文还进行了一项有趣的实验，以证明 AERO 分类的重要性。他们选取了一条特定规则：“不接受使用特定血液稀释剂（LMWH）的患者。”

• 情景 A（严格规则）：他们将所有使用该血液稀释剂的人排除在研究之外。突然间，结果改变了！看起来一种药物优于另一种。为什么？因为通过剔除这些人，他们意外地排除了病情最严重的患者，从而扭曲了群体。
• 情景 B（AERO 的方式）：他们保留了这些患者，但将血液稀释剂视为“背景噪音”以便稍后调整。结果回到了“无差异”，符合原始真相。

核心启示

该论文声称，你如何决定谁进入研究，会改变结果。

如果你试图将严格的实验室试验直接复制到杂乱的现实世界中，你可能会破坏实验。AERO 充当了翻译的角色。它利用 AI 和医学知识指出：“这条规则关乎安全，请保留。这条规则关乎后勤，请剔除。这条规则只是一个特征，请对此进行调整。”

通过这样做，AERO 允许研究人员使用现实世界的医院数据来回答通常需要昂贵、受控试验才能解决的问题，同时确保答案依然准确和公平。它架起了实验室“完美世界”与现实医院“杂乱世界”之间的桥梁。

技术摘要

以下是论文《AERO：一种用于真实世界试验模拟中临床试验标准自适应资格细化与优化的 AI 代理》的详细技术总结。

1. 问题陈述

真实世界试验模拟的挑战：
虽然随机对照试验（RCT）是因果推断的金标准，但其严格的资格标准往往限制了研究结果向更广泛的真实世界人群的推广性。目标试验模拟试图利用观察性数据（例如电子健康记录 - EHR）复制 RCT 设计，以生成真实世界证据（RWE）。然而，将方案定义的资格标准转化为基于 EHR 的队列时存在一个关键瓶颈：

• 操作不可行性： 许多试验标准依赖于 EHR 中不可用或记录不一致的测量或评估。
• 主观性与偏差： 目前对这些标准的调整依赖于人工、专家驱动的决策，这些决策劳动密集型、难以复现，且容易受到主观偏差的影响。
• 选择偏差： 逐字应用标准可能会大幅减少队列规模或排除具有临床意义的患者，从而扭曲比较有效性估计。相反，若无系统推理而随意放宽标准，则可能引入新的偏差。

2. 方法论：AERO 框架

作者提出了AERO（用于资格细化与优化的自适应 AI 代理），这是一个旨在自动化临床试验资格标准向真实世界数据转换的代理框架。

核心架构：
AERO 利用知识增强型大语言模型（LLM）（研究中具体为 GPT-5）作为其推理核心。它整合了三个异构的外部知识源来指导其决策：

1. 临床知识库： UpToDate（用于疾病背景、适应症、禁忌症）。
2. 医疗 LLM： Claude AI（用于临床背景解读）。
3. 药物知识工具： ToolUniverse（用于结构化的药理学和安全数据）。

五阶段流程：

1. 提取： 从试验方案（如 ClinicalTrials.gov）中提取原始资格标准。
2. 检索： 基于试验背景检索相关的外部医学知识。
3. AI 驱动优化： LLM 根据方案意图和外部知识分析每个标准，将其分类为以下四类之一：
   • 严格纳入： 定义目标人群的基本特征（例如：特定诊断、射血分数）。
   • 严格排除： 与安全相关或临床必要的限制（例如：妊娠、严重肝损伤）。
   • 混杂因素： 影响结果但应通过统计调整而非队列筛选来处理变量（例如：近期卒中、起搏器使用、特定药物使用）。
   • 剔除/操作化： 在 EHR 中冗余、主观或无法操作化的标准（例如：“能够遵循门诊方案”、“改良 Rankin 量表评分”）。
4. 队列构建： 将优化后的标准应用于 EHR 数据（梅奥诊所平台）。患者必须满足所有纳入标准且不满足任何排除标准。混杂因素保留在数据集中，用于下游统计调整（例如：倾向评分匹配、Cox 回归）。
5. 结果分析： 使用生存分析（Cox 比例风险模型）估计比较有效性。

3. 主要贡献

1. 首个用于资格细化的 AI 代理： AERO 被提出作为一种新颖的代理方法，专门用于系统性地细化真实世界模拟的试验资格标准，超越了人工启发式方法。
2. 基于知识的推理： 与纯粹的数据驱动筛选不同，AERO 明确整合了多样化的外部医学知识源，以确保决策具有临床依据且可复现。
3. 可扩展流程： 该框架展示了一个将 RCT 方案转化为真实世界研究的可复现流程，弥合了受控试验与常规临床实践之间的差距。

4. 结果：WARCEF 试验模拟

该框架通过利用试验完成前时期（2014 年 7 月之前）的梅奥诊所平台数据模拟WARCEF 试验（华法林与阿司匹林在降低的心脏射血分数中的对比）进行了评估。

队列特征：

• 人口统计学： 与原始试验队列相比，AERO 优化的队列年龄稍大，性别分布不同，但保留了治疗分配比例。
• 标准重新分类：
  • 保留为严格标准： 心力衰竭诊断、射血分数降低（EF ≤ 35%）。
  • 重新分类为混杂因素： 近期卒中、起搏器植入、非甾体抗炎药（NSAID）使用、肌酐水平以及抗血小板治疗需求。
  • 剔除： EHR 中未捕获的功能评估和预期寿命判断。

结果分析：

• 主要发现： 使用 AERO 优化标准进行的模拟得出的风险比（HR）为1.561（p = 0.0605）。
• 一致性： 该结果与原始 WARCEF 试验发现（HR = 1.01, p = 0.91）一致，后者得出结论认为华法林和阿司匹林之间无统计学显著差异。
• 解读： 尽管队列组成存在差异，但优化后的标准保留了原始试验的中性结论，验证了该框架在保持临床意图的同时提高真实世界适用性的能力。

消融研究（处理决策的影响）：
作者对“需要持续使用低分子肝素（LMWH）”这一标准进行了消融研究。

• 情景 A（严格排除）： 将 LMWH 使用视为严格排除标准，导致治疗组之间出现统计学显著差异（p = 0.0347）。
• 情景 B（混杂因素）： 将 LMWH 使用视为混杂因素（进行统计调整），导致差异不显著（p = 0.0605）。
• 结论： 研究表明，资格处理决策会实质性地影响观察到的治疗效果。 将变量从筛选条件重新分类为混杂因素，防止了本会人为夸大表观治疗差异的选择偏差。

5. 意义与影响

• 方法学进步： AERO 将资格调整从主观、人工的预处理步骤转变为因果推断中系统化、透明且由 AI 驱动的设计组成部分。
• 偏差缓解： 通过区分安全排除项和混杂因素，该框架减少了观察性数据中因过度限制性筛选而导致的选择偏差。
• 可复现性： 结构化的分类法（纳入、排除、混杂因素、剔除）增强了不同研究和机构间目标试验模拟的可复现性。
• 未来展望： 随着监管机构越来越多地依赖真实世界证据，像 AERO 这样的框架对于将 RCT 方案转化为真实世界证据生成至关重要，确保临床试验结论在应用于多样化、常规临床人群时仍然有效。

指出的局限性： 该研究依赖于单个试验案例（WARCEF）；需要更广泛的验证。此外，该框架依赖于 LLM 推理，这可能对提示结构敏感，且 EHR 数据中固有的残余混杂仍然是一个挑战。