项目派单 患者招募 CRC执行 EDC数据 监查质控 结算合规 LLM Agent 医学 NLP 知识图谱 多模态 RAG 检索 规则引擎 SMO × AI CORE
AI 驱动 · 临床研究全链路

临研Claw
数据驱动AI智慧临研

500家Site,协同打造临研AI智能流水线

96%
行业从业者覆盖
↓70%
派单时间缩短
↑35%
匹配置信度
4
核心流程打通
派单SMO-B 接单 实体瘤I期
派单SMO-A 接单 糖尿病III期
派单SMO-C 接单 心血管II期
派单SMO-B 接单 NSCLC II期
派单SMO-B 接单 实体瘤I期
派单SMO-A 接单 糖尿病III期
派单SMO-C 接单 心血管II期
派单SMO-B 接单 NSCLC II期
入组#0034 筛选通过
入组#0035 知情签署
入组#0036 入组成功
入组#0037 随访打卡
入组#0038 EDC 提交
入组#0034 筛选通过
入组#0035 知情签署
入组#0036 入组成功
入组#0037 随访打卡
入组#0038 EDC 提交
质控SDV 一致 ✓
质控Query 关闭 ×2
质控AE 信号检出
质控SDV 一致 ✓
质控计算复核通过
质控SDV 一致 ✓
质控Query 关闭 ×2
质控AE 信号检出
质控SDV 一致 ✓
质控计算复核通过
scroll
96%
行业从业者覆盖率
20%+
周期缩短
15%+
成本降低
4
核心流程全打通

20 个 AI 实证 · 6 个 SMO 业务模块

从全球到国内,从估值 $12B 到月活 5000 万 — 每个 SMO 痛点都已有可借鉴的 AI 解法。

① 临床证据 / 方案设计 ② 患者招募 / 入组 ③ EDC / 数据采集 ④ 监查 / 质控 / PV ⑤ 项目派单 / 撮合 ⑥ CRC 工具 / 培训
01
临床证据 / 方案设计
RAG · Citation Grounding · Re-ranking · Eval Harness
CASE 01
OpenEvidence — 医生版 ChatGPT
2026 Jan 估值 $12B(半年翻倍),40% 美国医生在用,月处理 1500 万次咨询,$100M ARR。投资方含 Google、Nvidia、Mayo Clinic。技术核心:PubMed / 期刊向量库 + 答案级 citation grounding,**不**用开放互联网语料。
RAGCitation GroundingHybrid RetrievalRe-ranking
SMO 内部「循证 Copilot」:CRC、医学经理在 SOP / 方案 / 知情同意书写作时一键查证,每条结论带可点击的文献溯源。
CASE 02
ChatGPT Health · ChatGPT for Clinicians
OpenAI 2026 Q1 推出免费临床版,技术上是 GPT-5 通用模型 + 医学 system prompt + tool use(不靠重训),形成「通用 LLM + RAG plugin」的轻量医疗矩阵。
System PromptTool UseFunction Calling
CRC 现场速查 + 医学经理日常 Copilot — 零微调、零部署成本,靠 prompt + tool calling 即可上线。
CASE 03
Atropos Health · Alexandria
2026 Apr 上线「世界最大 RWE 文献库」,3300 万 → 20 亿条真实世界证据。技术核心:embedding 检索 + multi-source synthesis + 5000 题临床 eval harness,跑分 2-3× 超越 GPT-5.4 / Claude 4.6 / Gemini 3.1 通用模型。
Embedding SearchEval HarnessRWE Knowledge Base
方案 / CRF 设计的循证依据库 — eval-driven 构建保证答案质量,不是凭"模型感觉"输出。
CASE 04
深度智耀(PaperWriting / iWriter)
国内中文方案 / CSR 自动化代表。技术栈:长文档 chain-of-thought 生成 + 章节级 template prompting + structured output(按 NMPA/ICH 模板字段填充)。
Long-form GenerationTemplate PromptingStructured Output
中文方案 / CSR / ICF 自动起草 Copilot — 模板化 prompt + 字段约束输出,符合 NMPA / GCP 规范。
02
患者招募 / 入组
Clinical NER · Multimodal EMR · FHIR Federation · Vector Search
CASE 05
Tempus + Deep 6 AI
2025 Tempus 收购 Deep 6 AI,2026 推出 Tempus One Agent — 跑在 EMR 病历、影像、病理报告等非结构化数据上。技术栈:Clinical NER(医学实体识别) + multimodal EMR ingestion + agentic workflow + knowledge graph。行业指标:入组率 +65%、招募成本 -40%。
Clinical NERMultimodal EMRAgentic WorkflowKnowledge Graph
SMO 患者智能筛查管线(接 EMR / HIS / LIS)— NER 抽实体 + 入排标准 LLM 校验,"人工翻病历"换成"Agent 跑名单"。
CASE 06
TriNetX
全球研究中心 RWD 网络 + AI 队列匹配,覆盖学术医学中心、NCI 癌症中心。技术栈:SQL-on-FHIR + federated query(数据不出院)+ 队列定义 DSL,是国际多中心试验入组的事实标准。
FHIRFederated QueryCohort DSL
SMO 跨研究中心患者池 — 联邦查询架构让数据合规(不离院)也能算队列。
CASE 07
Antidote
患者-试验匹配市场 + 数字营销组合。技术栈:semantic search(语义检索患者诉求 ↔ 试验入排)+ ranking model + 转化漏斗优化。
Semantic SearchRanking ModelFunnel Optimization
C 端 App 患者-试验智能匹配 — semantic search 替代关键词检索,用户描述自身诉求即可匹配试验。
CASE 08
蚂蚁阿福 / 蚂蚁医疗
月活 1500 万2025 收购好大夫在线,"搜索-问诊-购药"闭环。技术栈:用户行为 embedding + hybrid retrieval(向量 + 关键词)+ 多场景 Agent(导诊 / 用药 / 保险)。
User EmbeddingHybrid RetrievalMulti-domain Agent
SMO 患者流量入口 + 画像匹配 — 用户 embedding 让"潜在受试者"识别精度从规则匹配跨越到语义理解。
CASE 09
京东健康「AI 京医 / 京医千询 2.0」
累计 5000 万用户,MedBench 评测 蝉联第一。技术栈:医疗大模型 fine-tuning(DeepSeek/Qwen 底座)+ multi-agent orchestration + RLHF safety alignment。
Medical LLM Fine-tuneMulti-AgentRLHF Safety
C 端患者 Agent + 从业者社区运营 — 多 Agent 编排架构(医生/药师/营养师)可直接迁移到 SMO 患者全周期服务。
03
EDC / 数据采集
FHIR · Vision Transformer · Function Calling · Structured Output
CASE 10
Veeva eSource
Veeva 2026 H2 早期客户开放。技术栈:FHIR 双向 API + 字段级 mapping LLM(自动把 EHR 字段映射到 CRF)+ 取消 SDV 工作。临床数据流范式级变化。
FHIR APIField Mapping LLMBi-directional Sync
SMO 自有 EDC 与 SiteVault 协同方案 — FHIR 双向同步让数据从 HIS 直进 EDC 不经手。
CASE 11
Tempus One
病历 → 结构化时间线(诊断、治疗、影像、病理)。技术栈:multimodal vision-language model(看病理图也读文本)+ temporal reasoning + structured output(按事件 schema 输出)。
Multimodal VLMTemporal ReasoningStructured Output
病历智能结构化 + EDC 自动填充 — 多模态 VLM 同时处理影像 + 文本,CRC 不再手动誊抄。
CASE 12
Faro Health(Veeva 合作)
GenAI 自动 EDC build — 仅需 7 个 function call 就能从方案生成完整 EDC 数据库。技术栈:方案 → CRF DSL 生成 + function calling 编排 EDC build pipeline + workflow automation。
DSL GenerationFunction CallingWorkflow Automation
CRF / EDC 设计加速器 — function-calling 编排让数据团队的产能 10× 起步。
CASE 13
Paige.AI
病理 AI 多次进入 FDA 清单。技术栈:vision transformer + WSI(whole-slide imaging)超大图分块推理 + FDA-cleared model(监管认证级 eval pipeline)。
Vision TransformerWSI PathologyFDA-cleared
肿瘤试验中心病理 AI 辅助 — ViT + WSI 处理流可直接接入 SMO 病理筛查。
04
监查 / 质控 / 药物警戒
Multi-Agent Orchestration · Self-Review Critic · Document RAG · Guardrails
CASE 14
MALADE 多 Agent 系统
GPT-4 多 Agent + Critic 自审架构(self-review pattern)— Retriever Agent 找药物数据,Summarizer Agent 总结标签效应,CategoryAgent 综合,Critic Agent 复审输出。学界标杆性的 PV multi-agent 论文实现。
Multi-Agent OrchestrationSelf-Review CriticTool Use
SMO 监查多 Agent 系统 — Critic 自审架构是 LLM 工程化里"幻觉控制"的主流做法,可直接复用到监查报告生成。
CASE 15
Agentic AI · 药物警戒
2026 行业数据:Agentic AI 已回收 40% PV 工作量;73% 药企已部署或规划。技术栈:Agentic workflow + NLP 信号检测 + AI guardrails;FDA / EMA 2026 年初联合发布 AI in PV 治理原则。
Agentic WorkflowGuardrailsAI Governance
SAE 半自动上报 + PV 信号检测 — guardrails + audit log 配合让"AI 监查"过得了 GCP 与药监局合规审查。
CASE 16
Veeva Vault QualityDocs + AI
50+ medtech 公司报告 80% 效率提升。技术栈:document RAG(chunked 检索全套 SOP)+ rule engine(合规规则编码)+ workflow automation(审批流自动路由)。
Document RAGRule EngineWorkflow Automation
质控 SOP 数字化 + 合规审查 — RAG over SOP 库 + 规则引擎,把"人工核 SOP"改为"AI 比对差异 + 自动路由审批"。
05
项目派单 / 撮合
Predictive ML · Agentic Ops · API-first Platform · Process Mining
CASE 17
Reify Health(StudyTeam)
累计融资 $479M。技术栈:predictive ML(招募速度预测)+ site performance ranking model + recommendation engine — 是大型药企首选的派单 / 协同基础设施。
Predictive MLRanking ModelRecommendation
SMO ↔ 药企 项目派单引擎 — predictive ML 替代销售人脉式分发,可量化匹配优选研究中心。
CASE 18
Lindus Health
融资 $79.5M,"Next-gen AI-CRO"代表。技术栈:agentic operations(用 LLM Agent 跑临床运营)+ LLM-driven CTMS + process mining(数据驱动流程优化)。
Agentic OpsLLM-driven CTMSProcess Mining
临研 claw 平台对标对象 — Agentic ops 是 next-gen CRO 的核心竞争力,国际同行已验证。
CASE 19
Vial
融资 $111M,Tech-enabled CRO 全栈代表。技术栈:API-first platform(CTMS / EDC / 招募 / 监查统一 API)+ unified data platform + end-to-end automation。
API-firstUnified Data PlatformEnd-to-end Automation
临研 claw 共建蓝图参考 — API-first 架构是国内 SMO 转型 Tech-enabled CRO 的可行模板。
06
CRC 工具 / 培训
Ambient Voice AI · In-workflow RAG · Context-aware Retrieval
CASE 20
Atropos Evidence Agent + Microsoft Dragon Copilot @ Stanford
2026 Mar 在 Stanford Medicine 上线。技术栈:ambient voice AI(被动监听对话,不打断流程)+ in-workflow RAG(在医生 EHR 工作流内检索证据)+ context-aware retrieval(基于患者当前 context 调用文献)。
Ambient Voice AIIn-workflow RAGContext-aware
CRC 工具栏内嵌 SOP / 规范 Agent — ambient + in-workflow 模式让 AI 装进 CRC 现场而不打断动作。

四条核心流程,打通临床研究全链路

Flow A: 药企发项目
平台智能匹配SMO
1
药企发布需求
填写适应症、中心分布等
2
AI匹配推荐
多维度算法评估
3
确认 & 签约
线上确认,自动生成合同
4
智能派单
系统自动派发至最优CRC
↓70%
匹配时间
↑35%
匹配置信度
Flow B: CRC执行
任务自动流转
1
接收任务
App推送任务通知
2
现场执行
完成筛选、入组、随访
3
EDC录入
数据自动同步
4
自动汇报
工作日志自动生成
↓50%
汇报工作量
↑80%
数据及时性
Flow C: 药企看板
全链路透明
1
实时进度
入组进度实时更新
2
SDV报告
源数据核查追踪
3
质控预警
异常数据自动预警
4
自动结算
按节点自动核算费用
100%
进度可视化
↓60%
协调成本
Flow D: 患者入组
精准匹配高效
1
患者报名
App便捷报名
2
资格筛选
AI辅助精准匹配
3
入组随访
智能提醒管理
4
出组完成
数据归档试验结束
↓40%
脱落率
↑60%
筛选效率
药企端
药企工作台 — 项目全程可视化
实时查看入组进度、SDV完成度、待处理Query,随时掌握项目状态
在研项目
24
↑ 3 本月新增
入组进度
68%
符合预期
SDV完成
82%
↑ 5% 上周
待处理Query
12
需关注
本月费用
¥186万
正常
项目列表 全部 24
项目名称 适应症 中心数 入组/目标 SDV 状态
实体瘤I期临床研究 非小细胞肺癌 12 45/60 78% 进行中
糖尿病III期研究 2型糖尿病 8 120/150 92% 进行中
心血管产品评估 高血压 15 30/200 45% 启动中
入组进度
实体瘤I期 75%
糖尿病III期 80%
心血管评估 15%
待处理事项 12
  • 实体瘤项目需审批方案变更
    2小时前
  • 心血管项目query超期未回复
    1天前
SMO端
SMO运营中心 — CRC任务高效调度
智能派单、任务追踪、CRC团队管理,提升执行效率
CRC在线
186
本月活跃
任务完成率
94%
↑ 2% 上周
本月派单
38
已完成 32
项目覆盖
24
个城市
今日任务 4 待完成
  • 北京协和医院 - 患者筛选访视
    今日 实体瘤I期研究 09:00
  • 上海华山医院 - EDC数据录入
    本周 糖尿病III期研究 14:00
  • 北京协和医院 - 伦理材料递交
    已完成 实体瘤I期研究
CRC团队
李婷
实体瘤I期 / 北京协和
28
任务
96%
完成
王芳
糖尿病III期 / 上海华山
35
任务
91%
完成
张伟
心血管评估 / 广州中山
15
任务
87%
完成
患者端
患者App — 临床试验全程陪伴
便捷报名、智能匹配、随访提醒,提升入组体验
您好,欢迎回来
张先生
156
已入组天数
3
待随访
89%
服药依从
当前试验进度
实体瘤I期临床研究
第4次随访 / 共12次45%
随访日历
用药记录
联系CRC
检查报告
可申请试验
糖尿病III期临床研究
III期
评估候选药物在2型糖尿病患者中的有效性和安全性
2型糖尿病 18-65岁
试验进度
实体瘤I期临床研究
筛选期
2025.10.15 - 2025.11.02
基线访视
2025.11.05
治疗期 - 第4次随访
2026.04.02 (今日)
治疗期 - 第8次随访
预计 2026.05.15
下次访视
4月15日
第5次治疗随访
需要空腹8小时,携带身份证和既往病历
08:30
到达时间
2小时
预计时长
6项
检查项目
撮合流程
智能撮合 — 从发布到签约全程高效
AI精准匹配SMO,实现在线签约合作
发布需求
药企填写项目信息
AI匹配
多维度算法推荐
3
选择SMO
查看推荐结果确认
4
签署合同
在线确认合作
5
智能派单
系统自动分配CRC
项目基本信息 已填写
AI匹配结果 Top 3 推荐
基于多维度算法的智能推荐
综合评分 = 中心覆盖 × 0.3 + 经验匹配 × 0.25 + 产能匹配 × 0.25 + 历史表现 × 0.2
SMO
临研SMO平台
自有CRC 186人 · 覆盖24个城市
肿瘤经验5年+ 准时率99%
96
匹配分
SMO
普蕊斯SMO
CRC 320人 · 覆盖35个城市
肿瘤经验8年+
88
匹配分
在线签署合作 合同预览
创新药企A
委托方
临研SMO平台
服务方
合同金额
¥280万
服务费比例
8%
预计启动
4月15日
CRC派驻
18人

为什么选择临研claw

AI智能匹配
基于项目需求、中心分布、CRC经验等多维度AI算法,精准匹配最优SMO和CRC
实时数据看板
药企随时查看入组进度、监查报告、数据质量,无需人工汇报
全链路打通
CTMS + EDC + 质控引擎,一个平台覆盖临床研究全流程
CRC效率工具
智能任务派发、自动提醒、数据同步,减少CRC重复劳动
患者精准招募
AI筛选 + 精准匹配,降低脱落率,提高入组效率
合规安全保障
GCP合规、数据加密、审计追踪,安全可信的企业级平台

四层架构,全链路覆盖

流量层 — C端入口
患者App
CRC工具
从业者社区
平台层 — 撮合与交易
药企门户
SMO入驻
智能匹配引擎
结算系统
执行层 — 核心系统
CTMS项目
EDC数据
质控引擎
监查报告
资源层 — 执行网络
CRC团队
SMO网络
研究中心

让临研claw成为你的临床研究引擎

立即预约产品演示,了解如何重构你的临床研究效率

预约演示 了解更多