IIT 方案最难的，从来不是“写”

而是“搭逻辑”

以前做 IIT 研究方案时，我最大的感受就是：写方案其实不难，真正难的是把整个研究逻辑搭完整。尤其是在肿瘤和血液领域，很多研究方向本身就非常复杂。一个研究主题背后，往往涉及疾病机制、未满足需求、既往治疗现状、真实世界问题以及潜在临床价值。

以前接到一个研究需求后，我通常需要先花大量时间查阅文献。先看指南，再翻临床研究，然后再去找相关机制研究和真实世界数据。很多时候，资料查了很多，但脑子里的逻辑依然是“散”的。因为文献本身并不会直接告诉你：这个研究到底应该怎么设计；研究终点应该如何设置；哪些患者真正适合纳入；方案未来是否具备实际执行价值。这些内容，本质上还是需要自己一点点去拼。

真正拖慢效率的

是反复确认“这个方案到底稳不稳”

以前我经常会有一种状态：方案已经写了不少，结构看起来也基本完整，但总觉得哪里还不够稳。于是又会重新回到文献里确认。研究终点是不是合理？既往有没有类似研究？这个研究设计在真实临床场景下能不能真正落地？如果客户继续追问，我是否能够把整个研究逻辑完整解释清楚？

很多时候，方案之所以会一改再改，并不是因为“不会写”，而是因为自己还没有真正被这个研究逻辑说服。而这种反复确认，其实才是最消耗时间和精力的部分。

EVA 帮我改变的

不只是“生成方案”，而是先把框架立住

真正让我感受到变化，是开始用 EVA 的 IIT 研究方案功能之后。以前做方案，本质上是“先查大量文献，再慢慢拼研究逻辑”。但现在，很多时候我只需要输入研究主题、研究对象以及核心研究目的，EVA 就已经能够快速生成一个相对完整的研究框架。研究背景、研究目的、研究设计、受试者标准、研究终点、统计学思路等内容，都会沿着一个相对清晰的循证逻辑展开。

这一点对我来说其实非常重要。因为过去最耗时间的，并不是写文字，而是前期不断搭框架、理逻辑、补证据的过程。而 EVA 最大的价值，是能够先把研究结构快速“立起来”。很多原本需要反复思考的问题，例如终点设置是否合理、研究逻辑是否完整、方案结构是否符合常规 IIT 设计思路，现在在第一版框架里其实就已经能够被提前暴露出来。

从“方案初稿”，到整套研究资料

开始变成一个连续流程

以前做 IIT 方案时，真正麻烦的其实不只是方案本身。方案完成之后，还要继续整理 CRF 表、知情同意书、缩略词释义表等配套内容。很多时候，这些内容虽然看起来更偏“流程性”，但实际上同样需要反复核对研究设计和方案细节。尤其是 CRF 表，很多字段都需要和研究终点、访视流程、数据采集逻辑严格对应；知情同意书里的风险说明、受试者权益、研究流程，也必须和正式方案保持一致。过去，这些工作往往意味着：方案写完以后，还要重新进入另一轮整理和修改。但现在，EVA 在生成 IIT 研究方案之后，还能够进一步配套输出知情同意书、CRF 表以及缩略词释义表。这一点其实对我帮助很大。

因为它意味着，整个研究资料的生成过程，终于不再是“拆开的”。很多原本需要人工来回对照、重复核查的内容，现在能够围绕同一个研究框架同步生成，整体逻辑也会更加统一。

总结

回过头来看，我越来越觉得，AI 对 IIT 研究方案设计最大的改变，并不是“替人写方案”，而是帮助人更快建立完整的研究逻辑。因为真正专业的方案设计，从来不是把模板填满，而是让整个研究真正具备循证基础和落地价值。而 EVA 对我最大的帮助，也并不是简单节省了多少时间，而是让我在面对复杂研究主题时，不再总陷在反复检索和反复确认里，而是能够更快进入真正重要的部分——研究本身。