Scholarly article · 2026

From Invisible to Enrolled: How Artificial Intelligence Is Reshaping Clinical Trial Recruitment.

Ahn S

Pharmaceut Med

의료 AI 및 데이터과학 · Medical AI & Data Science

요약

임상시험 모집은 전자의무기록에 적격 환자가 존재하더라도 기존 선별 체계가 서술형으로 기록된 질병 단계, 치료 반응, 바이오마커 결과, 임상적 판단을 충분히 처리하지 못해 대규모로 실패하고 있다. 이 서술적 문헌고찰은 특히 대규모 언어모델을 포함한 인공지능이 임상시험 모집 전반에 적용되는 방식을 검토한다. 인공지능은 적격 후보자 발견과 선별 효율을 높일 가능성이 있지만, 환자를 식별하는 것과 실제 등록은 다르며 인간적, 물류적, 윤리적, 제도적 장벽을 단독으로 해결할 수 없다.

핵심 내용

근거는 두 가지 한계로 정리된다. 발견 한계는 임상 데이터에서 적격 후보자를 식별하는 능력의 한계이며, 현재 근거는 인공지능이 특정 업무 흐름에서 이 한계를 높여 발견과 선별 효율을 개선할 수 있음을 시사한다.
등록 한계는 환자 식별 이후에도 남는 인간적, 물류적, 윤리적, 제도적 장벽을 의미한다. 환자의 가시성 증가는 등록 자체를 보장하지 않는다.
인공지능의 적용 영역에는 임상시험 설계, 예측적 환자 선별, 기관 선정, 환자 대상 참여 지원이 포함된다. 이와 함께 형평성, 개인정보 보호, 규제, 업무 흐름 통합을 위한 거버넌스가 필요하다.

권장 독자: 임상시험 모집, 의료 인공지능, 임상 데이터과학, 연구 거버넌스에 관심 있는 임상의, 연구자, 고급 학습자
범위와 한계: 이 자료는 서술적 문헌고찰이며, 현재 근거가 후향적 평가에 집중되어 있음을 명시한다. 전향적 다기관 검증은 제한적이고, 등록률, 대표성, 비용 효과성의 개선을 입증한 연구도 적다. 따라서 인공지능 기반 모집은 현지 검증을 거치고 인간의 감독 아래 운영되며, 등록, 다양성, 부담, 비용과 같은 후속 결과로 평가되는 지원 도구로 다루어져야 한다.
연구 맥락: 이 주제는 임상 데이터에서 비정형 정보를 활용하는 의료 인공지능, 대규모 언어모델, 데이터 기반 임상시험 운영 및 책임 있는 AI 평가와 같은 Sangzin Ahn의 연구 포트폴리오와 연결되는 중립적 주제 영역이다.

Summary

Clinical trial recruitment continues to fail at scale because conventional screening workflows cannot fully access eligibility relevant information recorded in narrative form, including disease stage, treatment response, biomarker results, and clinical reasoning, even when eligible patients are present in electronic health records. This narrative review examines applications of artificial intelligence, particularly large language models, across the recruitment pipeline. AI may improve candidate discovery and screening efficiency, but identifying a patient is not the same as enrolling a patient, and AI alone cannot remove the remaining human, logistical, ethical, and institutional barriers.

Key points

The evidence is organized around two ceilings. The discovery ceiling concerns the ability to identify eligible candidates in clinical data, and current evidence suggests that AI can raise this ceiling and improve discovery and screening efficiency in defined workflows.
The enrollment ceiling concerns the human, logistical, ethical, and institutional barriers that remain after a patient has been identified. Increased patient visibility does not ensure enrollment.
Applications reviewed include trial design, predictive enrichment, site selection, and patient facing engagement. Governance is also required for equity, privacy, regulation, and workflow integration.

Audience: Clinicians, researchers, and advanced students interested in clinical trial recruitment, medical AI, clinical data science, and research governance
Scope and limitations: This is a narrative review, and its evidence base is described as concentrated in retrospective evaluations. Prospective, multicenter validation remains limited, and few studies have demonstrated improvements in enrollment, representativeness, or cost effectiveness. Recruitment AI should therefore be treated as a locally validated, human supervised support tool evaluated against downstream outcomes such as enrollment, diversity, burden, and cost.
Research context: This topic has a neutral thematic connection to Sangzin Ahn's portfolio through medical AI for unstructured clinical data, large language models, data driven clinical trial operations, and responsible evaluation of AI systems.