临床试验中患者分层的量子增强优化

临床试验因其高失败率和高昂成本而臭名昭著，导致时间与资源的浪费、开发周期的延长以及患者获取新疗法的延迟。这些失败的一个关键因素是生物学不确定性，它使试验设计复杂化并削弱了检测真实治疗效果的能力。特别是，不充分的患者分层往往导致各治疗组间的协变量不平衡，掩盖治疗效果并降低统计功效，即使疗法对特定患者亚群有效。本工作提出了一种基于优化的量子增强患者分层方法，该方法在最小化数值变量和类别变量间的协变量不平衡的同时，不改变方案设计或试验终点。使用真实的临床试验数据，我们证明了混合量子-经典优化方法能够实现高质量分层，同时可高效扩展至更大规模的队列。在我们的基准研究中，与经典方法相比，量子增强流水线在计算效率上实现了超过 100 倍的提升，从而实现了更快的迭代和大规模的实际部署。本报告展示了改进的分层如何带来与决策相关的收益，包括在治疗效果估计中统计显著性增加高达五倍，减少治疗效果稀释并提高试验敏感性。这些结果共同表明，优化驱动的分层能够增强临床试验设计，提高对下游决策的信心，并降低代价高昂的后期失败风险。