新药研发是一个被称作“双十定律”的残酷行业：研发一款新药平均需要消耗10年时间、投入10亿美元以上的资金。然而，在这一极其耀眼的现代科技巅峰背后，却隐藏着一个极为原始且低效的秘密——在新药临床试验（Clinical Trials）阶段，成千上万名数据管理人员（Clinical Data Managers）每天依然在使用极其繁琐的人工表格，去核对、清洗和纠正从全球各个医院及临床中心收集来的庞大而碎裂患者病例报告表（eCRF）。今日，专注于用智能体AI（Agentic AI）自动化临床试验数据流的新兴科技公司Octozi宣布，已成功获得300万美元的种子轮融资。

本轮融资由Surface Ventures领投，Remarkable Ventures参投，并获得了瑞士知名制药集团Debiopharm旗下风投部门的战略投资支持。本轮资金将主要用于扩展其AI智能体平台的研发，深耕与医药、生物科技及医疗器械（MedTech）公司现有临床数据管理系统（如Veeva, Medidata）的底层API集成。此外，本轮融资后，Octozi还计划与全球多家顶尖大学的临床医学研究中心建立联合科研实验项目，进一步在真实的多中心临床试验中淬炼和优化其智能体算法的鲁棒性。

信息维度 详情内容
公司名称 Octozi
总部所在地 美国纽约（New York City, NY）
创始人团队 Amit Patel（CEO）、Cedric Odje、Matthew Purri
成立时间 2023年
本轮融资金额 300万美元
本轮融资轮次 种子轮（Seed）
领投方 Surface Ventures
主要参投方 Remarkable Ventures, Debiopharm Venture Arm（战略投资）
核心产品 临床试验数据智能体平台（Agentic AI Platform for Clinical Trial Operations）
应用技术 混合大语言模型（LLM）、确定性医学逻辑算法、人机协同（Human-in-the-loop）架构
官网链接 octozi.com

临床试验数据泥潭：高达数十亿美元新药研发背后的手工清障

临床试验是决定新药能否上市的最关键防线。在这一阶段，研究人员需要从数百名甚至数万名患者身上收集海量的数据，包括生化指标、不良反应（Adverse Events）、服药剂量和病史记录等。

然而，这些数据在录入时往往充满了各种不规则的噪音。例如：医生在填写表格时将剂量“10mg”误写为“100mg”；同一个患者在不同医院的病例表中，年龄记录出现了偏差；或者某些关键指标（如血压）出现了逻辑冲突。如果这些“脏数据”没有被及时发现并清除，就可能导致整个试验的统计学分析失效，甚至直接被国家药品监督管理局（如美国FDA）拒之门外。

为了解决这一问题，传统药企必须雇佣庞大的数据合同研究组织（CRO）外包团队，将数以万计的数据清理工作外包给低劳动力成本国家。这些数据管理员主要通过编写固定的编辑核查规程（Edit Checks，即硬编码的规则与SQL代码）来拦截明显的录入错误。但这种固定的基于规则的方法在面对高度复杂的非结构化临床文本和跨维度的医学病理逻辑时，显得极度无能为力。

最终，大部分复杂的数据核实和清洗工作依然需要依赖大量资深医学专家的手工复核。他们需要对异常读数进行逐一核查，手动向全球各地的医院与临床中心发送正式的数据质询（Data Queries），并在数周甚至数月的时间里反复拉扯沟通。这种低效的人工迭代直接导致了新药研发最关键的临门一脚——“数据库锁定（Database Lock，简称 DBL）”往往被拖延数周乃至数月之久。对于正在推进重磅药物（Blockbuster Drugs）临床审查的跨国药企而言，数据库锁定每延迟一天，就意味着数百万美元的潜在专利收益流失和昂贵的临床维持费用的空转，这构成了医药研发产业链上最沉重的数据隐痛。

剖析“人机协同（Human-in-the-Loop）”智能体架构：Octozi如何重构临床数据清洗流？

Octozi的核心突破在于，它开发了一套专门针对医药行业的智能体AI（Agentic AI）平台，用以全面替代这一繁琐的手工清洗流程。

与传统只提供“关键词搜索”或“基础文本分类”的简单AI不同，Octozi所倡导的Agentic AI能够理解复杂的临床协议，自动执行复杂的多步骤任务，并主动与人类专家配合。

Octozi 智能体清算架构（AI感知与人类审定结合）： 收集原始临床数据 ➔ 智能体多维度交叉核验（逻辑+医学语义） ➔ 自动起草数据质询（Queries） ➔ 数据管理员一键确认 ➔ 自动同步临床数据库

在具体运行中，Octozi的AI Agent以“人机协同”（Human-in-the-Loop）的模式运作，形成了一个高效的智能数据闭环：

1. 自动感知与核验（Automated Detection & Verification）：AI Agent直接读取临床数据管理系统（EDC）中的数据。它不仅能进行基础的数值边界校验，还能理解“医学上下文语义”。例如，它能够对比患者的化验单、病程记录和医生填写的“伴随用药”记录，敏锐地发现某种药物的服用时间与检验结果在逻辑上是不匹配的，或者在诊断列表中遗漏了相关病症。 2. 多模型融合判定（Multi-Model Consensus & Guardrails）：为了解决医疗级数据所要求的绝对精确定位，平台将前沿的多模态大语言模型（LLM）与严格的确定性临床算法（Deterministic Algorithms）相结合。由于LLM在复杂长文本中容易产生“幻觉”，Octozi采用了特制的防御性架构，将大模型限制在语义提取和逻辑推理层面，而具体的判定标准则通过内置的国际标准化医学名词常识库（如SNOMED CT, MedDRA）和规则进行二次逻辑校验，从而确保临床级的数据零偏离。 3. 一键式质询生成与同步（One-Click Query & Sync）：一旦发现数据异常，AI Agent会自动起草一封符合监管规范、发往各临床研究中心（医院）的“数据质询信（Data Query Clarification）”，详细写明哪一条患者数据存疑、存疑的医学理由以及推荐的更正方向。临床协调员（Clinical Research Coordinator）只需在Octozi后台审查AI起草的草稿，点击“确认”，该质询就会通过API实时同步到各大主流EDC系统中。这把原本需要数据管理员耗时15-30分钟的手动查证和模板撰写工作，大幅压缩到了5秒钟以内，效率提升达数万倍。

解决“误报与漏报”博弈：用确定性算法与LLM混合引擎打破精算死结

在临床数据管理中，数据核查一直面临着一个难以解决的“天平博弈”：误报率（False Positives）与漏报率（False Negatives）。

如果核查规则定得太松，就会出现大量漏网的脏数据，影响临床试验的合规与安全性；如果规则定得太严，又会产生铺天盖地的“虚假警报”（如由于输入法大小写不同触发的警报），导致数据管理人员不得不花大笔时间去手动清理这些没有意义的警报。

Octozi之所以能获得药企的认可，是因为其利用“确定性临床算法 + 智能体推理”打破了这个怪圈。在一篇发表于arXiv的研究论文中，Octozi的技术团队展示了其平台的临床实测数据：相比传统的基于静态SQL规则的核查系统，使用Octozi的智能体平台能将数据清洗的吞吐量提高数倍，同时将不必要的虚假警报减少了超过40%，且几乎做到了零关键数据漏报。

AI Agent在读取一份复杂的患者病历时，不再孤立地判断单行数据，而是像一个经验丰富的医生一样，将患者在数月间的多次随访报告、实验室检测值和影像学描述组合成一个完整的“病情画像”。这种上下文联想（Contextual Reasoning）能力，正是传统Edit Checks所完全缺失的。

药企与VC的联手布局：Surface与Debiopharm战投背后的商业落地野心

在当前AI创投泡沫退潮、VC极度看重“商业落地能力（GTM）”的资本寒冬中，Octozi能成功完成300万美元的种子轮融资，其背后的投资机构组合大有深意。

领投方Surface Ventures是一家以投“企业级软件（B2B SaaS）”见长的硅谷风投机构，他们看重的是Octozi在替代高昂人工CRO服务上的极高性价比与可复制的商业模式。

而战投方Debiopharm的加入，则为Octozi提供了最关键的“真实世界场景验证”与背书。作为瑞士历史悠久且在肿瘤及传染病领域享有盛誉的制药巨头，Debiopharm每年要主导大量的全球多中心临床试验。

“在临床数据管理领域，我们每天都在对抗海量的不规则数据，这已经成为了限制新药上市速度的最大技术瓶颈之一。”Debiopharm数字化基金负责人表示，“Octozi最打动我们的是，他们没有试图用AI去盲目取代临床专家，而是设计了一套极其尊崇医学严谨性的‘人机协同’架构。这让他们能够无阻碍地通过药企极度严苛的合规合规审计（Compliance Audit），实现从实验室到真实临床业务的秒级落地。”

通过这笔投资，Octozi不仅获得了运营资金，更直接拿到了Debiopharm旗下多条在研药物临床试验线的数据使用权与落地场景，为AI智能体的演进搭建了源源不断的数据反馈闭环。

辩证反思：将生命健康的临床审评托付给AI Agent，是加速新药救世还是在数据黑箱中埋下暗雷？

Octozi的崛起，昭示着新药研发正从“软件辅助数据处理（EDC）”快速跨越到“智能体自主运作（Agentic Automation）”的全新拐点。这对于降低人类攻克癌症、帕金森等顽疾的试药成本、让救命药更快推向市场，具有不可磨灭的人道主义价值。

但在我们为科技腾飞欢呼的背影下，也必须对AI智能体介入人类生命科学的核心地带保持足够的敬畏与审慎。

首先，是“算法黑箱”对科学严谨性的潜在侵蚀。临床试验数据的清洗不仅是技术活，更是严谨的伦理博弈。每一个指标的修改，都可能影响到新药最终的安全性和有效性结论。大语言模型本身具备“黑箱属性”和不可预测的概率决策特征，即使在“人机协同”的加持下，人类管理员也极易在成百上千次的快速审批中产生“自动化偏差”（Automation Bias）——即由于对AI的过度信任，闭眼一键批准AI生成的纠错建议，从而将微小但致命的数据篡改注入到最终提交给FDA的报告中。

其次，是CRO产业与外包体系的震荡。临床试验数据整理是一个高度劳动密集型、解决了全球数万名医学毕业生就业的庞大CRO外包产业。Octozi等AI智能体的大范围普及，将对印度、东欧等CRO外包基地的基础数据管理工作造成毁灭性的岗位替代。虽然科技升级不可避免，但在生物医药这一关乎国民经济与社会稳定的底线行业，如何平衡算法效率与民生就业，将是下一阶段政策制定者需要深思的宏观命题。

新药研发的终极目标是救人，而救人的前提是绝对的安全与诚实。Octozi用AI Agent接管临床数据，是在效率的油门上踩下的一大步。但如何踩好合规与伦理的刹车，决定了这辆新药研发的跑车是开向救赎还是深渊。

分类与标签

分类: AI 标签: Octozi, 临床试验, 新药研发, Agentic AI, 智能体, 医疗科技, 融资