人工智能已經廣泛應用于醫學領域和日常生活。人工智能器械是指基于醫療器械數據，采用人工智能技術實現其預期用途（即醫療用途）的醫療器械。

在近期的學術會議上，國家心血管病中心醫學統計部趙延延分享了“外周血管人工智能產品臨床研究設計的統計學考慮”這一話題。

外周血管人工智能產品及應用場景

AI類心血管器械主要用于疾病篩查、預測、診斷和治療；外周血管領域AI應用場景同心血管類器械相似，應用于疾病診斷、風險分層、個性化管理、圖像識別、術中指導等方面。

例如，將人工智能應用于電子病歷，通過機器學習模型識別外周動脈疾病并預測心血管事件風險，人工智能軟件自動分析和報告頸動脈超聲、評估頸動脈粥樣硬化，以及人工智能系統自動解釋CTA并自動化評估腘動脈粥樣硬化負荷等。人工智能在上述應用領域目前處于“探索研究”階段，尚無上市前產品臨床試驗。

應用于術中指導的人工智能器械主要為手術機器人，例如腔內超聲定位機器人導航系統、新型血管腔內介入手術機器人系統、腔鏡手術機器人系統等。

臨床研究設計中的統計學考慮

開展臨床研究之前，需要考慮以下幾點要素：

研究假設（研究目的決定）

統計學設計類型

主要評價指標

對照組選擇

偏倚的控制措施（隨機、盲法）

樣本量和把握度

（1）研究設計的類型

研究設計的類型分為多組設計和單組設計，其中多組設計包括優效、劣效類，主要評價組間差異；單組設計為單組目標值，用于評價被試產品性能與預定目標間差異。

（2）對照組選擇

針對不同的研究設計，對照組的選擇有所不同。對于非劣效設計的試驗，應選擇陽性對照，即目前臨床正在廣泛使用的、對相應適應證療效已被證實、得到社會公認的有效器械/治療手段；對于優效性設計的試驗，應選擇陰性對照，對照組必須符合倫理學要求。

（3）主要評價指標

在主要評價指標方面，應根據人工智能器械的預期用途選擇評價指標。對于治療類器械，可選擇治療有效率、治療成功率作為主要評價指標；對于診斷類器械，可選擇靈敏度、特異度等作為主要評價指標，主要關注以下2個方面：

假陽性率（誤診率）：導致后續不必要的診療活動；

假陰性率（漏診率）：導致后續診療活動延誤（快速進展、疾病診療活動的延誤風險）。

（4）偏倚的控制措施

設計良好的隨機對照臨床試驗永遠是金標準，能夠提供比其他任何試驗都要高的數據質量，最大限度降低治療偏倚。能夠說明治療的效果是由所研究的被試產品產生的，而不是由于疾病自愈、認為因素或其他治療產生。

單組目標值試驗適用于產品成熟且無合適對照品的情形，建議申辦方在方案設計階段與臨床專家、統計學家和法規部門進行充分溝通，獲得認可后進行臨床試驗。

（5）樣本量考慮

樣本量估計是臨床試驗設計中極為重要的環節，充足的樣本量能夠保證試驗有足夠的檢驗效能發現實際存在的差異。在計算樣本量時，效應值、變異程度、把握度和顯著性水平都會影響樣本量的確定。

對于上市前產品研究，應根據研究目的、研究設計類型（優效/劣效、單組目標值）選擇樣本量計算公式確定最終樣本量即可；對于臨床預測模型開發類試驗，樣本量的確定可以參考EPV原則、NPV原則。在EPV原則中，每納入1個變量，至少需要10個結局；樣本量n=變量數*10/結局率；在NPV原則中，每納入1個變量，至少需要20-30個樣本，此部分為訓練樣本的規模，應基于訓練樣本與內驗證樣本的比例，計算最終樣本規模。如果沒有統一的樣本量計算標準，應基于參考文獻及實際情況考慮確定。