一家做CAR-T的小公司，被三份新规压在文档上，AI该去哪个环节干活

做生物医药的人最近应该都感到了，监管的齿轮在加速转。

我说的是文档层面的监管。

2026年2月，药审中心发了《嵌合抗原受体T细胞治疗药品说明书临床相关信息撰写指导原则》。7月3日，又来了《细胞治疗药品范围和归类技术指导原则（2026年版）》，里面最让行业兴奋的是那句——CGT药品拟纳入30天临床试验审评通道。9月1日，新修订的《药物临床试验质量管理规范》正式施行，强调“试验参与者”概念。

三份文件压下来，方向就一个：审评要快，文档要更细、更规范。

这对大药企是利好多于压力，他们有注册事务团队，有医学写作团队，有QA专门盯文档。但对石家庄森朗生物这种体量的biotech，账就不是这么算了。

森朗是真实存在的公司，我最近翻公开资料看到，他们有一款靶向CD7的CAR-T产品SENL101，刚进了CDE突破性治疗品种，适应症是成人复发或难治性T淋巴细胞淋巴瘤/白血病。他们还在跟北京大学人民医院血液科联合做II期关键临床试验，PI是黄晓军院士、赵翔宇教授。7月21日，他们还跟Tempest Therapeutics签了战略合作，要牵头做TPST-4003在中国的IIT临床试验。

产品线在往前推，临床试验在铺开，文档的活也跟着翻倍。

我今天想算的账是：在一家CAR-T小公司里，药监局新规压下来的文档工作，到底该不该AI接手，该从哪个环节接手。

结论先说：接，但不接整个医学写作流程。让AI从第一个字写到最后一个字，是给自己挖坑。要找的是那几个“人做起来又慢又容易错、AI做起来快且错得少”的环节，掐进去。

下面几条，你对照着自己公司的情况看。

一、说明书和申报资料的“术语一致性”，这是最容易漏的

一份CAR-T说明书或IND申报资料，几百页，里面同一个概念可能有五六种写法。

“嵌合抗原受体T细胞”——你写“CAR-T”还是“CAR T细胞”还是“嵌合抗原受体T细胞”？“细胞因子释放综合征”和“CRS”混着用？“缓释期”和“随访期”是不是同一个时间段？

药审中心2月份那份指导原则，核心就是规范说明书的临床信息撰写。我细看了它要的东西——不良事件的发生率、持续时间、处理方式，这些数字必须跟临床研究报告对得上。

这里最容易翻车的地方在哪？不是写不出来，是写出来之后没人逐行核对。

一个医学经理改了三稿，编辑再改一遍，到了PDF版里突然出现一个“第3.2.1节见下表”，表里数据是上一版的。

舍予AI智能体在我们内部干过类似的活。把药监局的指导原则扔进知识库，再把申报资料初稿放进去，让它只干一件事：对照指导原则的术语表和格式要求，标出所有不一致的表述和格式偏差。

这活AI干得比人好。

为什么？它不会因为看到第五次“CAR-T”就自动忽略第六次“CAR T细胞”。人会疲劳，疲劳了就漏。

具体做法我拆开说：先建一个“术语索引表”，规定哪些词是标准写法、哪些是禁用写法。然后AI每轮只输出一个清单——第几页第几行，原文是什么，应该改成什么。医学经理复核，点一下接受还是拒绝。

省下的人时不好精确统计，但肯定不是零。一份80页的申报资料，人工通读核对术语至少两个工作日，AI初筛两小时，人再花半天复核。

这笔账，做注册的人心里都有数。

二、“证据链”的自动关联，别让人肉去一行行对数字

这条我多说几句，这是我最看重的环节，也是翻车率最高的地方。

CAR-T的临床数据有个特点：同一个疗效指标，会出现在好几个不同章节里。总缓解率ORR，可能在摘要里出现一次，在疗效分析里出现一次，在说明书草稿里又出现一次，在会议摘要里还有一次。

每次出现，前面还挂着不同的小数点、不同的入组人数、不同的随访截止日期。

我见过最离谱的翻车案例：某项目（不提名字）说明书里的ORR写的是78.3%，临床研究报告里是76.9%，差了1.4个百分点。最后怎么发现的？审评员逐字核对查出来的。补齐材料耽误了将近三个月。

三个月，对一个押注在审评周期上的公司，值多少钱？

要解决这个，不是让AI去“读懂”医学意义，而是让AI去建立一个数字来源库。具体做法：把一份临床试验报告里的所有关键疗效指标、安全性指标，连同它们的来源表格编号、页码、数据截止日期，全部解析出来，形成一个结构化的“证据清单”。之后每出一份新文档，AI自动比对文档里的数字跟证据清单是否一致。

这个思路跟森朗现在做的事其实对得上。他们SENL101进了突破性治疗品种，意味着接下来跟CDE沟通的频次会更高，文档迭代会更快。你想想，每次跟审评中心开完沟通会，回来都要更新文件，数字一旦改漏一个，下次会议你就被动。

这里对中小biotech的机会在于：不用买套大系统。就用舍予这类AI智能体，把证据清单维护起来，让AI干“归档与比对”这个最烦的活。人负责判断——这个数字在临床上到底该不该这么报。

三、不良事件术语的规范化，这个环节接手最无痛

还有一个很细但很值的地方：不良事件的医学编码。

CAR-T最头疼的是细胞因子释放综合征、神经毒性这些跟产品相关的特殊AE。临床试验报告里，研究者描述AE用的是自然语言，五花八门。但申报时要求统一用MedDRA编码。

比如研究者写了“发热、血压下降、氧饱和度降低”，编码员要判断这算不算一个CRS事件，算几级。这个判断临床上必须有人拍板，但把每一句自然语言里的候选术语提到编码员眼前、按优先顺序排列，这个活AI可以干得很漂亮。

我们能实测出来：一个训练好的模型，对MedDRA编码准确率可以到85%以上，剩下的15%恰恰是那些真正复杂、需要临床判断的边界情况。所以理想流程是什么？AI先筛，把明确的自动标好，人只处理有歧义的那部分。

这一条的价值不在省时间，在降低“误编码”带来的审评风险。 一旦某个严重AE被错误归类或降级，后面补证的成本远超任何工具费。

四、IIT临床的“多中心资料同步”，最容易被忽视的小钱

最后这条，我点到为止，但很重要。

森朗要牵头做TPST-4003在中国的IIT，这类研究跟注册临床试验不一样，没有特别成熟的专业团队，往往是一个项目经理配两三个临床协调员，同时对接多家临床中心。

每家中心对递交材料的要求还不一样：有的必须用统一的Word模板，有的要Excel格式，有的伦理委员会要特定版式的研究者手册。

这种格式转换和版本同步，AI接手就是纯赚。我见过一个临床协调员，一下午时间全花在把同一个方案从Word转Excel再转PDF、再更新封面版本号上。这活AI干完大概五分之一时间，而且版本号不会改错。

别小看这个环节。多中心同步错一个版本，某家中心用旧版方案过了伦理，后面返工就是一个月的进度。

收个尾，说两句实话。

AI在生物医药里的应用，最怕的就是把预期定得太高。它不是帮你写出一份能直接提交CDE的申报资料，也不是替你判断一个AE该不该上报。它干的是那些“脏活累活容易错活”——术语对齐、数字比对、版本同步、格式转换、AE预筛。

判断一件事要不要交给AI，标准就一个：这活出错以后，是人容易发现，还是不容易发现？ 人容易发现的，AI可以干。人不容易发现的，像数字漏改、版本错位、术语不一致这种，正好是AI的强项。

森朗这样的公司，产品上了突破性治疗名单，意味着跟CDE的文档往来会越来越密。30天审评通道一旦落地，审评速度上去了，但文档质量的要求只会更严，不会更松。因为通道越短，审评员越没时间替你找数据对不上的地方，错了就是发补，发补就是时间。

30天审评通道听上去很美，但对一家小biotech来说，文档质量就是那30天的入场券。

数字拉出来，这笔账你算一下。