超越句法：其必要性在於 神經符號 AI 與本體驅動 表型分析於臨床試驗招募

1. 招募的經濟與臨床危機 失敗

製藥產業正處於前所未有的科學 能力與難以持續的營運無效率交會的險境。儘管藥物發現的機制 已因高通量篩選、生成生物學與 計算化學而徹底革新，臨床驗證的機器仍拴在過時的 流程上，威脅著現代療法的經濟可行性。「Eroom's Law」 現象——觀察到藥物發現隨時間變得更慢、更昂貴， 與電晶體密度的改善成反比——並非科學的失敗， 而是流程的失敗。 ¹ 這場營運危機的核心，在於持續 無法有效識別並招募符合資格的臨床試驗患者。

當代分析顯示，絕大多數臨床試驗——約 80%——未能達到收案時程。 ² 這項統計不只是延遲指標；它是 創新流失與希望延後的量化。當招募停滯，整條藥物 開發管線便卡住，造成連鎖失敗，衝擊財務報酬、 法規核准時程，以及最關鍵的——患者取得救命療法的機會。 產業目前對此瓶頸的做法，往往是部署 通用 PDF 解析器與「Ctrl+F」關鍵字比對，這代表對問題的根本 誤解。我們正試圖用句法來治癒癌症，而 真正的解方在語意。

1.1 延遲的財務演算

時間是製藥生態系中最昂貴的單一資源。在一個由 專利專屬期主導的產業裡，臨床開發中損失的每一天，都是從 高峰營收期間扣除的一天。試驗延遲的財務衝擊 遠遠超出當下的營運燒錢速度；它侵蝕資產的淨現值（NPV）， 並從根本上改變研究投資組合的投資報酬率（ROI） 輪廓。

塔夫茨藥物開發研究中心（Tufts Center for the Study of Drug Development, CSDD）的研究提供 對此成本嚴峻而嚴謹的量化。1990 年代的歷史估計往往 援引每日延遲 60 萬美元至 800 萬美元的寬廣區間，但針對 2024-2025 經濟情勢精煉的更新分析，描繪出更精確且令人警惕的圖像。藥物 開發中單日延遲的價值，如今估計約為 $800,000 之 處方藥銷售損失 ，就平均高表現資產而言。 ⁴

然而，此平均值掩蓋了高價值治療領域中的極端波動。 就腫瘤、心血管疾病或血液學的重磅適應症而言，延遲 成本顯著更高。利基腫瘤療法往往針對特定基因 標記並需要精準患者配對，面臨激烈競爭壓力。僅僅數月的 延遲即可導致「第二個上市」的進入，可能在產品生命週期中造成數十億的 市占損失。 ⁵

單就營運成本——維持試驗據點開放、監測資料， 以及維持 CRO 合約的直接支出——第二期與第三期試驗每日約增加 $40,000。 ⁴ 然而， 真正的成本是機會成本。在非小細胞肺癌 （NSCLC）或急性骨髓性白血病（AML）這類競爭適應症中，多個資產往往衝向同一條 法規終點線。率先進入者通常奪得大部分市占並 確立照護標準。因招募延遲而屈居第二，會使一款 在科學上本應更優的藥物在商業上無法成立。

表 1：各治療領域臨床試驗延遲的財務衝擊

治療領域	延遲每日中位損失銷售額 （2023 美元）	營運複雜度 係數
心血管	$1.4 Million	高（大型世代、 複雜監測）
血液學	$1.3 Million	高（專科據點、罕見 表型）
腫瘤	$840,000	極高（基因 篩檢、複雜 排除條件）
中樞神經系統	可變	中至高 （主觀終點）

資料取自 Tufts CSDD Impact Report 及相關財務分析。 ⁴

這項財務現實創造了手動 流程或通用自動化無法滿足的效率必要性。準時收案的試驗與延遲 六個月的試驗之間，往往就是獲利資產與資產減記的差別。

1.2 營運瓶頸：篩選失敗漏斗

招募危機並非僅由患者不足所定義，而是篩選 漏斗的無效率。產業並非苦於疾病盛行率不足；而是 苦於 可識別 資格的短缺。據估計，37% 的研究據點 收案不足，更有高達 11% 未能收進任何一位患者 。 ³ 此一無效率很大程度上由高篩選失敗率驅動：患者依表面條件被識別為潛在候選人，卻在昂貴且耗時的人工 審查後最終被拒絕。

篩選失敗的成本可觀，平均約 每次失敗 $1,200 於整個 產業。 ³ 此成本涵蓋據點協調員的時間、初步 檢測費用，以及處理患者資料的行政負擔。當自動化 系統產生大量偽陽性——依 關鍵字看似合格、卻依臨床邏輯不合格的患者——便會堵塞招募漏斗。

此現象對臨床研究據點形成「阻斷服務」攻擊。據點 協調員本已為行政工作過勞，卻被低保真 AI 工具產生的「潛在 配對」清單淹沒。若工具交出 100 名候選人而僅有 5 名 真正合格，協調員很快就會對系統失去信任並退回人工 方法。此一悖論——更多自動化反而可能導致更低效率——直接源自 當前配對技術中的「精準落差」。

此外，試驗方案日益增長的複雜度加劇此問題。現代 方案不再是簡單的納入與排除條件清單。它們是複雜的 邏輯結構，含有數十條條件子句、時間相依性（例如：「6 個月內不得 曾暴露於藥物 X，除非情境 Y」），以及錯綜的生物標記 要求。被大量 EHR 資料疲勞的人工招募者，以及缺乏時間與本體推理的通用 AI 解析器，難以一致地套用這些 條件。 ⁶

1.3 人道與倫理必要性

財務指標之外，還有臨床研究的倫理必要性。招募 延遲直接轉化為法規核准延遲。對轉移性 癌症、神經退化疾病或罕見遺傳疾患等進行性疾病患者而言， 試驗啟動或收案階段延遲六個月不是統計數字；而是改變生命的 一段時間。它可能意味著取得潛在治癒性療法與 接受安寧緩和照護之間的差別。 ⁷

目前招募的照護標準是人工掃描 PDF 病歷 或用簡陋的「Ctrl+F」關鍵字搜尋來找患者。此做法本質上 對複雜患者有偏誤。它偏惠病史簡單、記錄清楚者，並 排除資格埋在非結構化註記或複雜條件邏輯中的人。 未能準確識別合格患者，我們不僅在延遲藥物；我們也在 拒絕近用。

本白皮書主張，解方需要我們在方式上的根本轉變，即我們如何 處理臨床資料。我們必須從 隨機文本處理 走向 本體驅動 表型分析 。我們必須以邏輯的確定性，取代 LLM 的機率 求解器。Veriprajna 將自身置於此一轉型的前沿，運用神經符號 AI 銜接照護的非結構化語言與研究的嚴謹 邏輯。

2. 句法的失敗：為何 PDF 解析器與通用 AI 失準

製藥產業十多年來試圖以自然 語言處理（NLP）解決招募瓶頸。然而，早期努力大多依賴 句法途徑 ——關鍵字比對、正規表示式與布林搜尋 字串——或更近期地，透過 GPT-4 或 Claude 等大型語言模型（LLM）進行機率 生成。兩種途徑在技術上雖有區別，在臨床試驗 脈絡中卻共享同一失敗模式：缺乏 語意精準度 。

2.1 「心導管檢查」對「中心靜脈穿刺」的 謬誤

要理解句法比對的深刻失敗，我們必須檢視一個具體 臨床情境，凸顯通用 AI 缺乏本體奠基。此例並 非邊角案例；它代表一類滲透自動化招募 系統的錯誤。

設想一項新型抗凝血劑的臨床試驗方案，明確列出 「心 導管檢查」 作為排除條件。醫學理據充分：心 導管檢查是將導管送入心腔或冠狀動脈以 評估功能或治療阻塞。 ⁹ 這是高風險、侵入性的心臟處置，意味著 近期心血管不穩定，使患者不適於該試驗的安全剖面。

現在設想一名患者的電子健康紀錄（EHR）中有醫師註記 描述 「中心靜脈穿刺」 （常為放置中心靜脈 導管或 CVC）。此處置是進入大靜脈（頸內、鎖骨下 或股靜脈）以給藥、輸液或監測中心靜脈壓。 ¹¹ 儘管 具侵入性，它是血管通路處置，常在加護病房床邊執行， 並在解剖標的、生理 影響與風險剖面上與心導管檢查根本不同。

通用 AI 的失敗模式：

1.​ 關鍵字混同： 標準關鍵字比對演算法——或提示不佳、 依向量相似度運作的 LLM——掃描患者紀錄。它辨識如 「導管」、「靜脈」、「穿刺」等詞，並可能辨識「心臟」（若 CVC 是在 心臟加護病房或 CCU 放置）。

2.​ 向量鄰近： 在通用嵌入模型的高維潛在空間中， 「心導管檢查」與「中心靜脈導管置入」被放得很 近。兩者都是醫療處置；都涉及導管；都涉及血管 系統。缺乏剛性醫學本體的通用模型，依主題 相似性把兩者混為一談。

3.​ 錯誤排除： AI 斷定患者已接受被排除的 心臟相關處置。它將患者標記為不合格。

4.​ 結果： 一名合格患者從試驗中流失。據點協調員從未見到此患者， 或更糟，見到錯誤拒絕並對工具失去信心。

這不是假設性錯誤。近期評估試驗配對 AI 模型的研究已 識別特定失敗模式：模型錯誤斷定「心 導管檢查等同於中心靜脈穿刺」，導致不當排除。 ² 此 錯誤源自缺乏 本體區辨 ；AI 知道這些詞相關，卻 不知道它們 如何 不同。

2.2 機率 LLM 在高利害決策中的 局限

生成式 AI 的到來使某些人相信「更好的提示」就能解決此問題。 然而，大型語言模型在套用於臨床試驗方案的確定性要求時，有其固有結構 局限。在高利害醫療 環境中，神經網路的「黑箱」本質構成三道關鍵障礙：

1.​ 缺乏確定性： LLM 是設計來預測下一個可能 詞元的機率引擎。它們不是邏輯引擎。LLM 可能在一次執行中正確判定患者合格，在 下一次卻判定不合格，僅因提示、 溫度設定或周圍上下文視窗的微小變化。臨床試驗需要 100% 可重現的稽核軌跡 ；監管者必須確切知道患者被納入或 為何 被排除。 ¹³

2.​ 無法核實真相（幻覺問題）： LLM 不會對照 真相資料庫核實事實，除非被明確架構如此。若患者註記 含糊，LLM 可能幻覺一項診斷來填補空隙，「發明」一種共病 而排除患者，或更危險地，發明一項放行而納入 不合格患者。

3.​ 隱私外洩與治理： 將非結構化患者資料送往公開模型 API，引發重大 HIPAA/GDPR 疑慮。雖有企業實例存在， 海量參數與私人健康資料互動的根本架構 需要包裝 API 往往無法提供的嚴格隱私保護架構。 ¹³

驅動 Veriprajna 哲學的「犀利主張」植根於此一現實：產業正 試圖用機率工具（LLM）解決邏輯問題（資格）。解方 需要從機率走向可證明性。

3. 本體驅動表型分析：SNOMED CT 的 優勢

為化解句法失敗與機率風險，Veriprajna 主張並 實施 本體驅動表型分析 。此途徑從根本上把任務 從讀詞轉向對應標準化醫學概念。我們運用 SNOMED CT （Systematized Nomenclature of Medicine -- Clinical Terms），全球最全面的 多語臨床醫療術語，為我們的 AI 提供「基礎真相」。 ¹⁵

3.1 層級的力量（Is-A 關係）

SNOMED CT 不只是詞典；它是結構化為 有向無環圖（DAG）的多層級本體。概念以邏輯關係連結，最顯著的是 Is-A （子型）關係。此結構讓 AI 能理解粒度、繼承 與解剖脈絡，這是扁平關鍵字清單做不到的。

回到「心導管檢查」之例，具 SNOMED 意識的系統理解 以下相異層級：

層級 A：排除標的

●​ 概念： Cardiac catheterization (procedure)

○​ 父級: Procedure on heart (procedure) ○​ 父級: Invasive procedure (procedure) ○​ 子級: Coronary angiography (procedure) ○​ 子級: Left heart catheterization (procedure) ¹⁸

層級 B：患者事件

●​ 概念： Central venous catheterization (procedure)

○​ 父級: Catheterization of vein (procedure) ​¹⁹

○​ 父級: Insertion of vascular catheter (procedure)

○​ 子級: Insertion of peripherally inserted central catheter (procedure)

推理引擎： 當方案排除「Cardiac Catheterization」時，本體驅動 AI 並不尋找 「cardiac」或「catheter」這些詞。它在圖譜上執行語意查詢：患者的 處置（SCTID: 392230005）是否為排除條件（SCTID: 41976001）的子型？ SNOMED 層級回答 否 。這些概念位於處置樹的不同 分支（心臟 vs. 靜脈）。AI 確定性地裁定患者 合格 就此條件。 ² 即使醫師寫的是「Central Line Placement」或「CVC Insertion」，此邏輯仍然成立，因為實體擷取層會把所有那些同義詞對應到正確 SCTID 在邏輯檢查發生之前。

3.2 解決同義與粒度問題

醫療紀錄充斥同義詞、縮寫與不同粒度。 醫師可能寫「Heart Cath」、「Angio」、「Coronary Angiography」或「LHC」（Left Heart Cath）。關鍵字搜尋必須把每種可能變體硬編碼，卻仍會 漏掉新穎措辭。

SNOMED CT 透過 同義 與 概念永續性 處理此問題。Coronary artery disease 此一概念會自動對應到「CAD」、「Coronary arteriosclerosis」、「Arteriosclerotic heart disease」以及數十種其他變體。 ²⁰ 我們的 AI 擷取的是概念 ID（SCTID），而非 字串。一旦文本轉成 SCTID，歧義便消失。配對是 概念對概念，而非詞對詞。

此外，SNOMED CT 允許 後組合，概念可由屬性 精煉。例如，「Left kidney stone」不只是字串；它是 Kidney stone 此一概念 再以 laterality 屬性 Left 精煉。 ²² 這讓 AI 能以數學精準度，對指定 側性或嚴重度的方案（例如「排除雙側腎病患者」）進行 配對。

3.3 建構計算表型

藉由從非結構化文本聚合這些 SCTID，我們建構患者的「計算 表型」。此表型是一組結構化代碼，代表患者 確切臨床狀態，並區分：

●​ 診斷（疾患）： 例如 Malignant tumor of lung

●​ 處置： 例如 Lobectomy of lung

●​ 發現： 例如 Mass in lung

此區分至關重要。「腫塊」的「發現」並不等同於癌症的「診斷」。對 「lung mass」的關鍵字搜尋，可能把患者排除出健康志願者研究，或 錯誤納入癌症試驗。本體驅動表型分析尊重 疑似病況與確診之間的區分。 ¹⁶

4. 排除的邏輯：納入資格條件中的 道義推理

SNOMED CT 處理 什麼 （醫學概念），道義邏輯 處理 如何 （交戰規則）。臨床試驗條件很少是簡單的布林陳述 （存在／不存在）。它們是複雜的規範陳述，規範什麼是 義務 （必須具備）、允許 （可以具備），或 禁止 （不得具備）。 ²⁴

4.1 「除非」的複雜性：解析例外子句

通用 AI 的重大失敗點是「例外子句」。試驗方案經常包含 有條件的排除條件。請看下列標準排除條件，於 腫瘤試驗：

「排除高血壓患者， 除非 其在穩定 用藥下控制良好至少 3 個月。」

關鍵字比對器看到「hypertension」就排除患者。標準布林篩選 可能看到「hypertension = TRUE」就排除。兩者都會流失一名合格患者 雖有該病卻符合參與條件。

道義邏輯解析： Veriprajna 的 AI 使用道義運算子解析此句：

●​ 禁止 ($F$): 患有 Hypertension ($H$)。

●​ 例外／允許 ($P$): Hypertension ($H$) AND 已控制 ($C$) AND 穩定 ($S$)。

邏輯表述成為條件函數：

$$\text{Status}(x) = \begin{cases} \text{Eligible} & \text{if } \neg H(x) \lor (H(x) \wedge C(x) \wedge S(x)) \\ \text{Excluded} & \text{if } H(x) \wedge (\neg C(x) \lor \neg S(x)) \end{cases}$$ 我們的 AI 接著解析時間約束（「至少 3 個月」）與臨床狀態 （「controlled」定義為 BP < 140/90 mmHg 或穩定用藥史）。 ²⁶ 它識別 雖有該病卻擁有參與 道義允許 的患者。

4.2 處理「非 X 除非 Y」：相互矛盾的臨床狀態

另一常見模式涉及相互矛盾的臨床狀態或先前療法。

「患者不得曾接受先前化學治療， 除非 其為新輔助

治療且已完成 > 6 個月。」

此處 AI 必須同時核實：

1.​ 事件： 化學治療給藥（通常為排除）。

2.​ 脈絡（意圖）： 是否為新輔助？（需要理解 意圖 ，針對該 療法）。

3.​ 時間： 是否在 Date_Current 之前 > 6 個月結束？

我們以 時間集成邏輯（TEL） 實作此點，這是一種專門的時間 邏輯，讓系統能為試驗時間軸建模，並把患者事件置於有效 觀察窗內。 ²⁸ 系統建立患者病史時間軸，標記 化學治療事件，檢查其屬性（新輔助），並量測差值 $t$ 對照 參考日期。此嚴謹邏輯解析能救回關鍵字 搜尋僅因病史中提到「chemotherapy」就丟棄的合格患者。

4.3 為何「開始配對患者」意味著道義邏輯

標語「停止配對詞彙。開始配對患者」特指此 能力。我們詮釋患者的 資格狀態 ，而不只是紀錄中 詞彙的出現。透過為方案的 權利與義務 建模（例如，在特定條件下 參與的權利），我們使 AI 對齊研究設計的倫理與科學 意圖。 ¹⁴

此途徑把招募過程從「搜尋」任務——在 資料庫中找字串——轉為「推理」任務——依一組邏輯規則評估患者狀態。 這就是文件搜尋引擎與臨床決策 支援系統的根本差異。

5. 神經符號引擎的架構

為交付此解方，Veriprajna 採用 神經符號 AI 架構 。這不是 理論學術構念；而是務實的工程選擇，結合兩種 AI 典範之長，以在受監管產業中確保可靠、可解釋與準確。

5.1 神經符號堆疊

我們的架構遵循「Type 2」或「Type 4」神經符號整合模型：神經 系統（LLM）擔任感知層，符號系統（知識 圖譜／邏輯求解器）擔任推理層。 ³⁰ 此關注點分離讓我們能 發揮 LLM 的語言彈性，同時以剛性 邏輯遏制其隨機傾向。

第 1 層：神經感知（讀取者）

●​ 功能： 攝取非結構化資料（PDF、手寫註記、掃描檢驗、醫師 敘事）。

●​ 技術： 以 Transformer 為基礎的 LLM（例如客製 GPT-4、Llama 3，或 領域專用 BioBERT 變體）。

●​ 角色： LLM 並不 做最終資格判定。其唯一工作是 實體 擷取與正規化 。它讀取「pt complains of chest pain」並識別 實體 Chest pain。

●​ 新穎性： 我們使用「概念感知解碼」，約束 LLM 只輸出 有效的 SNOMED CT 首選詞或 ID，從源頭降低幻覺。 ¹³

第 2 層：語意橋接（對應者）

●​ 功能： 將擷取實體對應到企業知識圖譜。

●​ 技術： 向量資料庫搭配本體查找與圖資料庫 （例如 Neo4j）。

●​ 角色： 把文本實體 Chest pain 轉成特定 SCTID: 29857009。它 依脈絡消歧（例如區分病毒的「Cold」與 溫度的「Cold」），使用圖譜結構與相鄰節點。

第 3 層：符號推理（思考者）

●​ 功能： 對結構化表型執行資格邏輯。

●​ 技術： 機率邏輯網路（PLN）或一階邏輯求解器（例如 整合於知識圖譜的 Prolog 風格推理器）。 ³³

●​ 角色： 此層套用道義邏輯規則。它檢查 SNOMED 中的 Is-A 關係（例如「CVC 是否為 Cardiac Cath 的子型？」）。它計算時間長度。它 是 確定性 的——給定相同輸入，永遠輸出相同資格結果， 提供 FDA 與 EMA 所需的可稽核性。 ¹³

5.2 邏輯的「綠色區域」

如神經符號文獻所述，我們在處理迴圈中插入邏輯模組（在架構圖中常視覺化為 「綠色區域」）。當系統 遇到如「患者是否依排除條件 4 合格？」這類複雜查詢時， LLM 並不幻覺答案。相反，它把查詢委派給符號推理器。 推理器依事實與規則計算答案（例如 Patient_Has_Hypertension AND Medication_Is_Stable），並將結果回傳給 LLM 做自然語言合成。 ³³

此混合途徑確保「推理」在數學上健全，而 「介面」對臨床人員仍保持對話式且可近用。

表 2：臨床試驗 AI 途徑比較

特徵	標準 LLM（包裝 API）	神經符號 AI （Veriprajna）
資料處理	機率詞元 預測	確定性邏輯 + 神經擷取
未知詞彙	幻覺或遺漏	標記供人工審查 （不透明 vs. 透明）
推理	表面層相關	經由知識圖譜的 多跳推理
可解釋性	「黑箱」（無法引用 來源邏輯）	完全可稽核軌跡（邏輯 證明）
準確度	~63-87%（可變）	>95%（近人甚至 超人）13
隱私	資料外洩高風險	邏輯於本地／安全 環境處理

比較奠基於近期評估醫療 AI 的績效指標。 ²

6. 知識圖譜 RAG（GraphRAG）：脈絡 引擎

為支撐神經符號架構，Veriprajna 運用 圖譜檢索增強 生成（GraphRAG） 。傳統 RAG 依向量 相似度擷取文件片段，GraphRAG 則依 關係 擷取資訊，使系統能 在整份患者紀錄與外部醫學知識中「把點連成線」。 ³⁵

6.1 為何向量不夠

在標準向量 RAG 系統中，若研究者搜尋「Drug A 的副作用」， 系統會擷取含字串「Drug A」的文件片段。然而，臨床試驗 方案常依藥物類別或作用機制排除患者。

例：試驗方案排除「任何與 CYP3A4 酶交互的藥物。」 患者正在服用「Drug B。」

●​ 向量 RAG 失敗： 若患者 EHR 提到「Drug B」但未明確陳述 「Drug B is a CYP3A4 inhibitor」，向量搜尋可能無法擷取相關脈絡。 患者可能被錯誤納入。

●​ GraphRAG 解方： 知識圖譜含有三元組：(Drug B) --[inhibits]--> (CYP3A4)。檢查排除條件時，GraphRAG 遍歷圖譜。它 把 Drug B 識別為禁止物質，即使文本並未明確如此說 。 ³²

此能力對仰賴複雜生物標記與藥理交互的現代「傘式」或「籃式」 試驗至關重要。GraphRAG 讓系統能執行 多跳檢索，從 Patient -> Drug -> Mechanism -> Exclusion Criteria 遍歷， 確保不遺漏任何隱藏排除因子。

6.2 製藥的「第二大腦」

此架構把招募平台變成研究者的「第二大腦」。 ³⁸ 它 允許需要對資料結構推理的複雜自然語言查詢， 例如：「找出有心肌病變病史但尚未接受 anthracyclines 的患者。」

系統經由圖譜理解「Doxorubicin」是一種 anthracycline。它能正確 排除服用 Doxorubicin 的患者，確保安全與方案遵循，同時 納入服用其他非 anthracycline 藥劑的患者。此層級的語意 互通讓動態世代建構與可行性分析遠遠超越 傳統查詢建構器的能力。

7. 實施策略：從理論到企業

Veriprajna 提供的不是簡單「即插即用」API，而是深度整合策略。 實施本體驅動表型分析，需要有意識地轉型資料 基礎設施，以確保 AI 餵入高品質結構化資料，且其 輸出整合進臨床工作流程。

7.1 與 CDISC 及 FHIR 整合

我們的系統設計為與構成製藥產業 骨幹的既有臨床資料標準互通。

●​ 輸入： 我們經由 HL7 FHIR （Fast Healthcare Interoperability Resources） 資源攝取資料。我們解析 Patient、Condition、Procedure 與 MedicationAdministration 資源以填入知識圖譜。

●​ 輸出： 我們把表型直接對應到 CDISC SDTM （Study Data Tabulation Model） 標準，特別是 IE（Inclusion/Exclusion） 域。 ³⁹ 這意味著 本系統產生的招募資料不只是名單；而是結構化的 法規資料，從第 1 天即可提交與分析。這減輕下游 資料清理與對帳的負擔。

7.2 人機迴圈（HITL）工作流程

我們主張 增強智慧，而非完全自動化。目標是放大專家 臨床人員，而非取代他們。神經符號輸出對每項決策包含「信心分數」與 「推理軌跡」。

●​ 高信心（確定性）： 若邏輯清楚且資料無歧義（例如 特定 SCTID 匹配），系統可自動配對或自動排除。

●​ 低信心（含糊文本）： 若邏輯模糊或文本不清（例如 「possible history of...」），系統將該案標記供人工審查。關鍵是，它突顯 造成歧義的特定條件與相關文本片段。此 「預消化」視圖可把臨床人員審閱病歷的時間減少多達 40%。 ²

7.3 資料隱私與治理

藉由模組化神經符號架構，Veriprajna 回應資料隱私此 首要關切。我們能把患者資料留在醫院安全防火牆內（ 「符號」層與圖譜）。「神經」層（LLM）可部署為本地、 開源模型（例如為醫學擷取微調的 Llama 3）於安全 飛地內，或僅用於去識別文本處理。 ⁴⁰ 這確保受保護 健康資訊（PHI）絕不暴露給公開 API，也不用於訓練外部模型， 以符合 GDPR、HIPAA 與機構治理政策。

8. 結論：停止配對詞彙，開始配對 患者

藥物發現的瓶頸不再是科學；而是句法。我們正試圖 用為文件搜尋設計的工具，駕馭人類生物學與臨床試驗方案的 複雜度。此錯配造成數十億美元的價值流失、無效率的試驗 營運，以及最重要的——等待新療法患者被延遲的希望。

「中心靜脈穿刺」對「心導管檢查」的錯誤不是小故障；它是 語意盲目的症狀。透過採用 本體驅動表型分析，植根於 以 SNOMED CT 為基礎、由 道義邏輯 治理、並由 神經符號 AI 驅動，我們能治癒 此盲目。

Veriprajna 提供一條遠離機率脆弱、走向邏輯穩健的 路徑。我們讓製藥企業能找到對的患者、對的試驗、在 對的時間——不是靠猜測，而是靠推理。

#Pharma #ClinicalTrials #HealthTech #AI #DrugDiscovery #NeuroSymbolicAI #SNOMEDCT

給企業的關鍵要點

●​ 財務衝擊： 消除招募延遲可為高價值資產節省每日 $800,000+ 的流失 機會成本。

●​ 技術優勢： 神經符號 AI 創造通用 LLM 無法提供、對法規遵循至關重要的可稽核、確定性推理 軌跡。

●​ 語意精準度： SNOMED CT 整合透過理解醫學層級（Is-A 關係）並區分相異處置，防止錯誤 排除。

●​ 邏輯嚴謹： 道義邏輯正確解析試驗方案中複雜的「unless」與「except」 子句，救回布林邏輯丟棄的合格患者。

●​ 策略優勢： GraphRAG 賦能「第二大腦」能力，連結 患者資料與更廣的藥理知識圖譜，以達成更優配對與 多跳推理。

關於 Veriprajna

Veriprajna 是專精的 AI 軟體顧問公司，致力以深度 AI 解方 解決生物製藥中最艱難的問題。我們超越包裝 API，建構 理解醫學語言的神經符號架構。

參考文獻

1. AI Innovations in Clinical Trials: Speeding Drug Development - IntuitionLabs，2025年12月10日檢索， https://intuitionlabs.ai/pdfs/ai-innovations-in-clinical-trials-speeding-drug-development.pdf

2. AI model matches patients to trials almost as ... - Fierce Biotech，2025年12月10日檢索， https://www.fiercebiotech.com/cro/ai-model-matches-patients-clinical-trials-fast-human-only-slight-dip-accuracy

3. What clinical trial statistics tell us about the state of research today - Antidote.me，2025年12月10日檢索， https://www.antidote.me/blog/what-clinical-trial-statistics-tell-us-about-the-state-of-research-today

4. Quantifying the Value of a Day of Delay in Drug Development | Tufts CSDD | White Papers，2025年12月10日檢索，https://csdd.tufs.edu/sites/default/ft iles/2025-02/Aug2024%20Day%20of%20Dela y%20White%20Paper%20Final.pdf?1763577702

5. The Cost of Delay: Quantifying the Financial Impact of Inefficient Clinical Trial Start-Up - Blog，2025年12月10日檢索， https://blog.td2inc.com/quantifying-the-financial-impact-of-inefficient-clinical-trial-start-up

6. How to Avoid Costly Clinical Research Delays - MESM Ltd，2025年12月10日檢索， https://www.mesm.com/blog/tips-to-help-you-avoid-costly-clinical-research-delays/

7. AI's Symbiotic Impact on Drug Development and Patient Experience in Global Pharma and Biotech - Eglobalis，2025年12月10日檢索， https://www.eglobalis.com/ais-symbiotic-impact-on-drug-development-and-patient-experience-in-global-pharma-and-biotech/

8. Why Time Is The Most Expensive Resource In Clinical Trials—And How To Make Every Second Count - Leapcure，2025年12月10日檢索， https://blog.leapcure.com/why-time-is-the-most-expensive-resource-in-clinical-trials-and-how-to-make-every-second-count/

9. 2020 AHA/ACC Key Data Elements and Definitions for Coronary Revascularization: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Data Standards (Writing Committee to Develop Clinical Data Standards for Coronary Revascularization) | Circulation: Cardiovascular Quality and Outcomes - American Heart Association Journals，2025年12月10日檢索， https://www.ahajournals.org/doi/10.1161/HCQ.0000000000000059

10. coronary artery disease - efo - EMBL-EBI，2025年12月10日檢索， https://www.ebi.ac.uk/efo/EFO_0001645

11. Femoral Vein Morphometry in Children - Clinics in Surgery，2025年12月10日檢索， https://www.clinicsinsurgery.com/open-access/femoral-vein-morphometry-in-children-9466.pdf

12. Clinical validation of the diagnosis adverse location of peripherally inserted central catheter in neonatology - ResearchGate，2025年12月10日檢索， https://www.researchgate.net/publication/394290075_Clinical_validation_of_the_diagnosis_adverse_location_of_peripherally_inserted_central_catheter_in_neonatology

13. Neuro-symbolic AI for auditable cognitive information extraction from medical reports - PMC，2025年12月10日檢索， https://pmc.ncbi.nlm.nih.gov/articles/PMC12638795/

14. Ethics in Digital Health: a deontic accountability framework - ResearchGate，2025年12月10日檢索， https://www.researchgate.net/profile/Zoran-Milosevic-3/publication/338253522_Ethics_in_Digital_Health_A_Deontic_Accountability_Framework/links/60684b5c299bf1252e24e182/Ethics-in-Digital-Health-A-Deontic-Accountability-Framework.pdf

15. UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE CIÊNCIA DA INFORMAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM GESTÃO & ORGANIZAÇ ResearchGate，2025年12月10日檢索， https://www.researchgate.net/profile/Jeanne-Emygdio/publication/361670001_INTEROPERABILIDADE_SEMANTICA_ORIENTADA_POR_ONTOLOGIA_PARA_A_CIENCIA_DA_INFORMACAO_a_metodologia_Onto4All-Interoperability_como_resultado_de_estudo_de_caso_no_dominio_de_energia/links/62bf12083d26d6389e899f87/INTEROPERABILIDADE-SEMANTICA-ORIENTADA-POR-ONTOLOGIA-PARA-A-CIENCIA-DA-INFORMACAO-a-metodologia-Onto4All-Interoperability-como-resultado-de-estudo-de-caso-no-dominio-de-energia.pdf

16. cohort identification from free-text clinical notes using - Carolina Digital Repository，2025年12月10日檢索， https://cdr.lib.unc.edu/downloads/9p290k671

17. Aligning an administrative procedure coding system with SNOMED CT open.trinetx，2025年12月10日檢索， https://open.trinetx.com/wp-content/uploads/sites/2/2020/06/OPS-SNOMED-FINAL1.pdf

18. 37.22 Left heart cardiac cath - ICD-9-CM Vol. 3 Procedure Codes，2025年12月10日檢索， https://www.findacode.com/icd-9/37-22-left-heart-cardiac-catheterization-icd-9-procedure-code.html

19. 392230005 - Browse Code Systems - NIH，2025年12月10日檢索， https://vsac.nlm.nih.gov/context/cs/codesystem/SNOMEDCT/version/2020-03/code/392230005/info

20. coronary artery disease [EFO:0001645](Polygenic Trait) - PGS Catalog，檢索 2025年12月10日，https://www.pgscatalog.org/trait/EFO_0001645/

21. Coronary artery disorder (Concept Id: C1956346) - NCBI，2025年12月10日檢索， https://www.ncbi.nlm.nih.gov/medgen/365486

22. The CORE Problem List Subset of SNOMED CT - National Library of Medicine，2025年12月10日檢索， https://www.nlm.nih.gov/research/umls/Snomed/core_subset.html

23. Fundamentals of Clinical Data Science - OAPEN Library，2025年12月10日檢索， https://library.oapen.org/bitstream/handle/20.500.12657/22918/1007243.pdf

24. Deontic Logic - Stanford Encyclopedia of Philosophy，2025年12月10日檢索， https://plato.stanford.edu/entries/logic-deontic/

25. Ten Philosophical Problems in Deontic Logic - ICR，2025年12月10日檢索， https://icr.uni.lu/leonvandertorre/papers/normas07b.pdf

26. NCT03574363 | Phase 2b Study of KBP-5074 in Subjects With Uncontrolled Hypertension and Advanced Chronic Kidney Disease | ClinicalTrials.gov，檢索 2025年12月10日，https://clinicaltrials.gov/study/NCT03574363

27. Characteristics of Populations Excluded From Clinical Trials Supporting Intensive Blood Pressure Control Guidelines - NIH，2025年12月10日檢索， https://pmc.ncbi.nlm.nih.gov/articles/PMC8174340/

28. Temporal Ensemble Logic for Integrative Representation of the Entirety of Clinical Trials - DROPS，2025年12月10日檢索， https://drops.dagstuhl.de/storage/00lipics/lipics-vol355-time2025/LIPIcs.TIME.2025.13/LIPIcs.TIME.2025.13.pdf

29. Excluding People With Disabilities From Clinical Research: Eligibility Criteria Lack Clarity And Justification | Health Affairs，2025年12月10日檢索， https://www.healthafairs.org/doi/10.1377/hlthaff .2022.00520f

30. Type 4 neuro-symbolic AI system with explicit mapping. This figure... ResearchGate，2025年12月10日檢索， https://www.researchgate.net/figure/Type-4-neuro-symbolic-AI-system-with-explicit-mapping-This-figure-shows-a-structure_fig11_381230747

31. The Emerging Field of Neuro-Symbolic AI: An Introduction - Ultralytics，2025年12月10日檢索， https://www.ultralytics.com/blog/an-introduction-to-the-emerging-field-of-neuro-symbolic-ai

32. Understanding GraphRAG: How Does It Compare with RAG? - Charter Global, 2025年12月10日檢索，https://www.charterglobal.com/what-is-graphrag/

33. Avoiding LLM Hallucinations: Neuro-symbolic AI and other Hybrid AI approaches，2025年12月10日檢索， https://www.cotacapital.com/knowledge-base/avoiding-llm-hallucinations-neuro-symbolic-ai-and-other-hybrid-ai-approaches/

34. Explainable Diagnosis Prediction through Neuro-Symbolic Integration - PMC NIH，2025年12月10日檢索， https://pmc.ncbi.nlm.nih.gov/articles/PMC12150699/

35. Graph RAG: Frameworks, Tools & Use Cases Explained - Chitika，2025年12月10日檢索， https://www.chitika.com/graph-based-retrieval-augmented-generation/

36. What Is GraphRAG? - Neo4j，2025年12月10日檢索， https://neo4j.com/blog/genai/what-is-graphrag/

37. GraphRAG: Practical Guide to Supercharge RAG with Knowledge Graphs LearnOpenCV，2025年12月10日檢索， https://learnopencv.com/graphrag-explained-knowledge-graphs-medical/

38. Pharma Knowledge Management: Building a "Second Brain" with AI | IntuitionLabs，2025年12月10日檢索， https://intuitionlabs.ai/articles/pharma-knowledge-management-second-brain

39. CDASHIG v2.0 - CDISC，2025年12月10日檢索， https://www.cdisc.org/standards/foundational/cdash/cdashig-v2-0

40. Am I eligible? Natural Language Inference for Clinical Trial Patient Recruitment: the Patient's Point of View - arXiv，2025年12月10日檢索， https://arxiv.org/html/2503.15718v1