clinical strategy - evidence mapping - AI workflow
如何基于公开证据判断一个临床中心是否能承接 CAR-T 这种高复杂度活细胞产品？
- LLM 任务边界
- 818 号令
- 中心能力评估
01 / context
公开信息能支持判断，但不能支持无边界评分。
业务问题不是让 AI 给中心打一个漂亮分数，而是明确哪些中心能力可以被公开证据支撑，哪些输出会越过可采信边界。
因此方案先排除中心评分、入组预测等公开信息不足以支撑的输出，把重点放在可追溯证据链和横向比较维度。
02 / role
我负责界定 LLM 任务边界，并把临床、监管和 PI 经验转成评估维度。
我逐模块定义 LLM 任务清单，标注每类输出的证据来源、可解释程度和不可采信边界。
结合 818 号令、临床实践、监管要求和 PI 视角，我把中心能力拆成可横向比较的维度库。
03 / framework
中心选择从“患者资源”扩展到平台、CMC、QP 放行、风险控制和数据追溯。
素材沉淀显示，CAR-T 中心选择不能只看名院、PI 和患者数量，还要判断医院是否能承接备案伦理、CMC 审查、细胞接收复检、CRS/ICANS 风险处置和长期随访。
这使 AI 输出从简单排名转向结构化尽调框架，避免生成无法被业务方采信的结论。
04 / evidence
判断依据必须保留事实、推断和推测的边界。
证据映射按法规路径、临床设计、生产质量、资本合作、商业化和竞品指南等并行因素组织，并要求每条结论保留证据强度。
05 / impact
输出服务于方案设计阶段的方向判断，而不是替代人工决策。
该框架帮助团队把公开证据可支持的分析范围前置定义，降低 AI 结果因过度推断而无法落地的风险。
打开交互报告06 / limits
受限于公开信息，中心评分和入组预测不应作为输出目标。
未公开的中心执行质量、真实入组能力、PI 团队稳定性和内部流程无法从公开资料充分验证，因此只能作为人工尽调问题，而非模型直接结论。