ClinicalReTrial：以预测反馈迭代优化临床试验方案

临床试验失败仍是药物研发的重要瓶颈，即使治疗方案有潜力，细微的试验方案设计缺陷也可能不可逆地损害结果。先进AI方法虽然能较好预测试验成功，但主要是在预期失败时诊断风险，难以提供可执行的改进。本文提出自演进AI Agent框架ClinicalReTrial，将临床试验推理转化为迭代的方案重设计问题。方法在奖励驱动的闭环优化中整合失败诊断、关注安全的修改和候选方案评估，以结果预测模型作为模拟环境，低成本评估修改并提供密集奖励，支持持续改进。框架维护分层记忆，记录单次试验内部的迭代反馈，并提炼跨试验可迁移的重设计模式。实验中，83.3%的试验方案得到改善，预测成功概率平均提高5.7%；回顾性案例显示，发现的重设计策略与现实临床试验修改具有较强一致性。