← AI 前沿 · 2026-10-05 · 国际 · 技术 · HIT Consultant
中心遴选的“样本偏差”：只看既往参与记录会反复选到同一批中心
HIT Consultant 刊发 Definitive Healthcare 的 Aaron Cohen 的观点文章：只按既往参与记录选中心会形成样本偏差，今天选中的中心就是明天的候选中心。作者引用 Tufts CSDD 对 151 项 II/III 期试验约 1.6 万个中心的分析（数据为 2008–2010 年）：48% 的中心未入组或入组不足。他建议用理赔数据、手术量、研究者能力等信号做“相似中心”建模，并先用小规模探索组验证效果。作者任职于数据服务商。
观点：中心遴选工具的价值要靠入组达成率复盘来证明；引用的 48% 是十多年前的数据，国内可用自有项目的中心入组情况重新算一遍基线。
要点
- 观点：既往参与记录“是真实信号，也是过滤器”，会让候选池固化。
- 数据：Tufts CSDD 分析 151 项 II/III 期试验约 16,000 个中心，48% 未入组或入组不足（数据年份 2008–2010）。
- 另引美国癌症项目 2013–2017 年成人治疗性试验参与率 7.1%（JCO 2024）。
- 方法建议：用更广的数据信号做相似中心建模，设对照性的探索组验证效果。
- 作者原话：“AI 不是绕过底层数据局限的捷径”；AI 不能独自完成中心遴选。
摘要据原文整理，数字与表述以原文为准；原文为第三方网站，部分链接在国内网络下可能打开较慢或无法访问。