1848年，美国历史上游名录的淘金牌在河天加厚福尼亚州科洛马队的萨特兰（Sutter's Mill）开始，永久性地梦成了美国的经济版图。的科学工具。若多人从以前发表过金子的地中开，这里也往往是他们梦想的。
由于前所未有的临床试验患者入组需求，现在这已成为21世纪的“淘金热”。根据最近的独立调查，仅10-17%的临床试验按时完成入组[1]。由于仅有3%的癌症患者选择参加临床试验[2]，患者招募仍然是药物研发领域具有挑战性并且成本昂贵的痛点。
发起人面临的挑战 - 识别高绩效试验场所
试验设计的最初阶段是一个艰辛的过程，需要一丝不苟的细致关注。
选择高绩效试验场所，从而最大限度地降低试验成本至关重要。这包括提高随机化率、最大限度地降低筛选失败率，同时保持高水平的方案合规性。如能做到这一点，对于研究者评估终点来说，将有助于通过减少差异性来改善统计功效。
从历史上看，临床试验场所都是从已知场所中进行选择。这会导致多个发起人竞争同一个资源的局面。幸运的是，Labcorp实验室的去识别化测试结果数据库，包括Labcorp患者服务中心的位置，可与其它真实数据（RWD）的来源（包括疾病控制和预防中心的发病率）相结合。结合有效的分析法（例如空间聚类分析），这可为发起人提供一种应对挑战的替代方法。
科文斯解决方案
空间聚类分析让发起人可以考虑基于真实数据（RWD）的入选/排除标准的影响。他们可藉此深入了解疾病发病率和方案可评估的患者密度，强化场所识别和选择标准，而不用考虑以往与研究者的直接互动。叠加已知场所/研究者的位置信息使我们的发起人不仅能够根据以往的绩效历史（如果以往参与过其它试验）对研究者进行分级，而且还可以利用试验场所适当距离内潜在患者的集中程度。针对使用以往的研究者无法实现入组目标的情况，现在能够为科文斯识别新的试验场所，并能够访问足够数量的方案可评估的患者，避免了启用一个新场所涉及的额外投资。
总体而言，空间聚类分析可以让发起人：
- 分析基于真实数据（RWD）的入选/排除标准的影响，并使用这一信息识别试验场所地点
- 不仅基于历史绩效，而且还依据疾病发病率和方案可评估的患者密度信息等变量
- 针对拥有方案可评估的患者密度、但距离已知研究者过远的情况，识别其它的潜在试验场所，帮助应对高度竞争性的环境
- 针对主要功效参数基于研究者主观评估的情况，精简试验场所数量，控制场所间的变异性，有助于最大化研究的统计功效
下图显示了使用空间聚类分析法的结果。
蓝色十字- 预先识别的研究者（蓝色圆点 = 符合入选标准的受试者的潜在推荐）
绿色星星- 建议的来自我研究者（绿色圆圈=现处于推荐）
紫色五边形- 具备较高患者密度（聚类）、需要进行研究者选择的其它地点
黄色圆圈- 有试验所需患者，但作为试验场所来说密度太低。
参考文献：
1 Centerwatch调查，2012年。NIH报告， 2013年。
2 福布斯杂志，“如何鼓励患者参加临床试验？”， 1/2015。
