我认为，我们已经达到了这样的程度：临床试验就像一个魔方，六面各代表一个重要的用户。这些用户包括（但不限于）患者、场地、数据管理、临床研究、监管机构和药物警戒。
我喜欢这个比喻的原因之一是，当你放下魔方时，你只能看到三面。要看到其余的面，你要么拿起魔方，要么实际改变自己的位置。如果你作为个人做出改变以尝试解决整体难题，你无法看到对其他人的全部影响。然后，引入一个事实，即多个参与者（或功能）正在同时尝试解决不同的挑战。结果如何？多个人做出改变，一些改变使所有用户受益，而其他改变仅使少数人受益。许多改变对一个（或多个）用户产生负面影响，而他们对此并不可见。
事实上，我建议我们不要去解魔方（即让每个人的试用体验更轻松），而是通过每次不协调的移动，构建一个更复杂、更大的魔方，九面甚至十六面的魔方。
这就是我们今天在临床试验中面临的挑战。正如没有人能一举解决魔方一样，我们面临的挑战太大，无法一蹴而就。电子健康记录 (EHR) 和电子医疗记录 (EMR) 就是典型的例子。乍一看，从 EHR/EMR 记录中提取数据的潜力巨大，但该请求的复杂性在各个层面都面临挑战。特定于站点的实施决策会造成站点间和站点内的复杂性，这将在未来几年对我们的 法国赌博数据 数据需求构成挑战。
今天，我们或许可以为一项研究、一个站点或一个部门解决这些挑战，但大规模运营则超出了我们的想象。这并不意味着我们的目标错了。但它凸显了一步步解决多方面问题的必要性。
真正的价值来自于在创新道路上循序渐进。我们需要更明智地思考技术，并专注于减轻日常耗时任务的负担。也许我们可以找出需要从源头解决的问题（如数据输入）。或者我们可以专注于阻碍我们的流程或结果，如手动审核或一次性数据。我们需要迈出第一步，而不是等待解决所有问题。
数据清理、医疗编码、安全信号和预测分析等活动通常都是在纸上或电子表格中完成的。将手动流程（如研究结束数据或严重不良事件核对）自动化将使数据管理员的日常工作变得容易得多。它需要更好的技术和对数据的智能使用，而不是向人工智能或机器学习的转型。这时，类比再次证明很有用。你可能会到达一个地步，你已经解决了魔方的两面。一旦这两面完成，你就会认为你接近完成挑战了。然而，解决其余难题的唯一方法是小心翼翼地拆开已经解决的两面。通过为那一面（或用户）退后一步，你可以让另一面前进。这时人工智能/机器学习肯定可以发挥作用。智能的工作流程将使人们能够 360 度地观察世界。
事实上，在日常用例中，AI/ML 可以发挥重大作用。CRO Syneos Health 临床数据管理高级总监 Trevor Griffiths 指出，机器学习在一次大型试验中将手动数据清理工作量减少了 3,000 小时。除了临床数据管理软件之外，我们还可以做很多令人兴奋的事情 - 汇集数据、分析模式并与合适的用户分享可操作的见解，等等。