Scout 文獻與先例回顧
從 PubMed、ClinicalTrials.gov 與 drugs@FDA 等來源搜尋、結構化並摘要科學與法規先例,讓團隊能依據共享的證據基礎工作。
Unlearn 是一個以 AI 生成的數位分身、證據審查、試驗模擬與監測為核心所打造的臨床開發平台。網站將此產品定位為一個連結式工作空間,讓團隊能根據同一套證據基礎做出試驗決策,而不是依賴零散文件、試算表與臨時分析。
此平台圍繞三個主要工作流程組織:規劃、監測與分析。Trial Planning & Simulations 協助團隊在方案定稿前回顧先例、檢視歷史資料並比較研究設計。Advanced Trial Monitoring 在執行期間呈現病患與站點層級的異常。Digital Twins 則透過預測個別受試者的預期對照結果來支援試驗分析,並可用於隨機分派、單臂、開放標籤、中期與回溯情境。
從 PubMed、ClinicalTrials.gov 與 drugs@FDA 等來源搜尋、結構化並摘要科學與法規先例,讓團隊能依據共享的證據基礎工作。
探索已整合的臨床試驗與真實世界資料集,以在設計決策定案前驗證對族群、終點行為與基準值的假設。
跨終點、納入條件、樣本數與限制建立並比較試驗設計情境,同時保留假設、證據與輸出結果以供審查。
使用歷史病患軌跡而非一般性閾值來呈現病患與站點層級的異常,協助團隊將審查重點放在最相關的訊號上。
生成受試者預期對照結果的 AI 預測,作為隨機分派、單臂、開放標籤、中期與回溯分析中的數位分身使用。
可部署為網頁應用程式或部署於贊助方的雲端基礎架構中;網站亦表示,贊助方也可在其掌控的安全環境中建立自訂數位分身。
在定稿方案前,使用規劃工作區回顧先例、檢視歷史證據並比較研究情境。這適合需要記錄終點、納入/排除條件與樣本數取捨理由的團隊。
在早期或開放標籤研究中,當隨機分派不可行,或團隊希望進行更敏感的治療比較時,將數位分身作為外部比較對象。網站也將其描述為適用於需要較小對照組或更高檢定力的隨機分派試驗。
在研究執行期間使用進階監測,以在標準週期前呈現異常值、偏離軌跡的反應者,以及供病患與站點層級審查的多變量訊號。
使用情境工具評估不同方案選擇如何改變族群與預期結果,然後保留證據與理由以供治理討論。
在機密資料應由贊助方自行控管,且團隊需要一個針對自身資料調整的疾病專屬模型時,可在安全的贊助方環境中使用自訂數位分身產生器。
Unlearn 將其平台定位為臨床開發團隊使用,協助他們從同一套證據基礎做設計、監測與分析決策。試驗規劃工作區適用於方案定稿前,而數位分身與進階監測則支援後期分析與監督。
來源頁面描述了三個連結在一起的領域:Trial Planning & Simulations、Advanced Trial Monitoring 與 Digital Twins。試驗規劃結合文獻回顧、歷史資料探索與情境模擬;監測可呈現病患與站點層級的異常;數位分身則提供 AI 生成的預期對照結果預測。
網站表示,Scout 會從 PubMed、ClinicalTrials.gov 與 drugs@FDA 等來源搜尋並摘要先例。Hindsight 會探索已整合的臨床試驗與真實世界資料集,而 SimLab 則比較試驗設計情境,例如終點、納入/排除條件、樣本數與限制。
Unlearn 表示,其數位分身是對個別受試者對照結果的 AI 生成預測,可在早期與開放標籤研究中作為外部比較對象,也可用於隨機分派試驗。網站同時指出,其方法已獲 EMA 認可,並與現行 FDA 指引一致。
定價頁面回傳頁面未找到,因此來源未提供定價、方案包裝或方案細節。如需商業資訊,網站會引導訪客聯絡公司。