药厂门口｜Pharma Lobby

AI 已经能起草临床试验方案(protocol)了，药厂人的工作会变成什么样？这期我们请来 NousOne (曾用名NouStarX) 联合创始人兼 CEO 杨眉博士 (Mei)。统计出身的她，在金融危机期间机缘巧合地进入 HEOR/RWE 领域，曾在 AbbVie 参与 Humira 的 HEOR 战略，也在 Merck 从事真实世界证据和市场准入相关工作，积累了十多年的药企经验。如今，她离开大药企，走上了 AI 创业之路。从一款药获批后为什么还要证明自己“值得买”，到真实世界数据究竟有多难用，再到 AI 如何参与证据规划，甚至临床试验方案设计，我们聊了不少正在发生的变化。但工具越强，问题就越尖锐：AI 给出的答案，谁来判断是否靠谱？对于担心被 AI 追上的朋友，希望这期能带来新视角。
注：本期节目录制于 2026 年 6 月。AI 技术迭代迅速，NousOne 在这段时间里也有了不少新的进展，因此节目中提到的技术能力和产品情况，主要反映录制时的阶段。
📢 本期说明
由于不同国家和地区的医疗体系、监管环境、支付机制及药企组织架构各不相同，不同公司对于相似岗位的职责划分和术语定义也可能存在差异。
嘉宾长期在北美及全球药企环境中从事相关工作，因此节目中的部分岗位名称、专业术语和业务流程沿用了日常工作中的英文表达，也会更多从美国及国际市场的实际经验出发。
节目内容基于嘉宾的个人经历和行业观察，仅代表一种从业者视角，不一定适用于所有公司、市场或岗位。我们希望通过不同从业者的经验，把药物从研发成功到真正走进医生和患者手中的这段路讲得更具体，也帮助听众看到一个更多元、立体的医药行业～ 🎉
📖 小百科｜术语速查
HEOR（Health Economics and Outcomes Research）：健康经济学与结局研究，除了药物的疗效，还研究患者获益、生活质量和医疗成本，帮助回答一种治疗对患者及支付体系究竟有多大价值。

RWE（Real-World Evidence）：真实世界证据。利用真实世界数据开展分析后形成的、关于药物实际使用情况及潜在获益或风险的临床证据；“数据”本身并不等于“证据”。

Payer：支付方，包括政府医保、商业保险等承担医疗费用的机构。药物获批不代表一定能顺利报销；支付方还会评估它带来的价值。

HTA（Health Technology Assessment）：卫生技术评估，从临床效果、成本、患者与社会影响等角度评估药物或医疗技术，为定价、报销和医疗资源配置提供依据。

NICE（National Institute for Health and Care Excellence）：英国国家卫生与临床优化研究所，负责制定医疗相关指南和开展技术评估；节目中以它为例，解释支付决策为何需要临床以外的证据。

Market Access：市场准入，围绕药物定价、支付覆盖和患者可及性开展的一系列工作，包括准备价值证据、制定准入策略及与支付方沟通。

RWD（Real-World Data）：真实世界数据，来自日常医疗实践的资料，比如电子病历、医保理赔和疾病登记数据。研究者需要先判断数据质量与适用性，才能进一步形成 RWE。

EHR（Electronic Health Record）：电子健康记录，医院或诊所留存的患者诊疗资料，既有检查结果、诊断编码等结构化信息，也有医生记录的文字说明。

Claims Data：医保理赔数据，主要记录诊断、就诊、用药、医疗服务和费用等信息。它原本服务于报销结算，因此编码不一定能完整、准确还原患者的临床情况。

Unstructured Data：非结构化数据，比如医生自由书写的病历、会诊记录和访谈文本。信息丰富，但不能像标准表格那样直接统计分析，往往需要 NLP 或 AI 协助提取。

PRO（Patient-Reported Outcome）：患者报告结局，由患者直接报告症状、功能或生活质量，例如疼痛、疲劳和日常活动能力；它可以补充检验指标和医生评价难以反映的体验。

IEGP（Integrated Evidence Generation Plan）：整合证据生成计划，把监管、医生、患者和支付方需要的证据放在一起，识别现有研究缺口，再规划后续研究。节目中口头简称为 IGP，行业资料更常写作 IEGP。

AI Evaluation：AI 评估，使用明确的测试方法衡量 AI 在实际任务中的准确性、可靠性和可追溯性，尤其要核对它是否误读研究、编造参考文献或给出没有依据的结论。

RAG（Retrieval-Augmented Generation）：检索增强生成，先从指定文献或知识库检索相关内容，再辅助模型作答，让结论更容易追溯来源；它可以减少某些幻觉，但不能保证回答完全正确。

NLP（Natural Language Processing）：自然语言处理，让计算机分析和提取文字中的信息，例如从医生的病历记录里识别症状、病史、用药和不良事件。

Domain Knowledge：领域知识，指对疾病、药物研发、证据标准及实际业务流程的理解。嘉宾强调，模型和数据之外，懂行业、懂工作流程同样重要。

Protocol（Clinical Trial Protocol）：临床试验方案，规定研究目的、受试者入排标准、试验设计、访视安排和终点等核心内容；节目讨论了 AI 如何协助查阅历史研究并起草方案。

SAP（Statistical Analysis Plan）：统计分析计划，详细规定临床试验数据将如何分析和汇总，包括分析人群、统计方法和缺失数据处理等，通常在数据库锁定前定稿。

👥 圆桌嘉宾
杨眉｜NousOne (曾用名NouStarX) 联合创始人兼 CEO，Biostatistics PhD
曾在大型药企从事 HEOR/RWE、市场准入相关工作，如今探索 AI 在药物研发与证据生成中的应用。
Mia｜药企临床试验统计师，Statistics PhD
本期主播，从临床研发的角度追问 AI 工具的边界与真实使用场景。
Daniel｜肿瘤临床开发，MD, PhD
药厂临床研发资深总监，主要从事实体瘤等领域的临床研发，关注真实世界证据如何融入药物开发。
Sophie｜药企统计程序员，Statistics MS
从临床研发和编程工作出发，关注 RWE 与 AI 对岗位的影响。
Dan｜生物医药研发从业者，Biology PhD
有博士后研究经历，目前从事疫苗与抗体研发。
⏱️ 时间轴
00:00 开场｜当 AI 越来越能干，我们还能做什么？
从药厂里的 AI 焦虑说起，介绍本期嘉宾和讨论的核心问题。
05:47 金融危机中的一次转弯：从统计走进 HEOR
杨眉回忆求职不顺时如何自学、跨界，也聊逆风时期可能藏着的新机会。
14:03 药获批就够了吗？HEOR 与 RWE 的真正价值
从医生、患者到保险支付方，解释为什么药物还需要证明真实使用中的价值。
23:13 真实世界数据为什么那么难用？
从保险理赔数据、电子病历到医生的自由文本，聊数据清洗、拼接与 AI 提取信息。
29:19 RWE 不只管上市后：它如何参与临床开发
为什么二期试验就要考虑支付方需要的数据，以及 RWE 的工作如何越来越靠前。
44:49 临床试验统计 vs. RWE：带着问题找证据
讨论研究设计、数据可用性和方法选择，RWE 最难的部分未必是跑模型。
50:20 AI 可以怎样参与证据规划？
从整合证据生成计划到竞品研究与数据可行性评估，看 AI 如何帮助团队下好一盘棋。
55:26 AI 的护城河是什么：模型、数据，还是行业经验？
聊领域知识、实际工作流程、RAG、AI 评估与“看似理解”的幻觉风险。
1:07:49 离开大药企去创业：AI 能写方案，也能做决策吗？
从创业契机聊到临床试验方案生成，以及跨部门取舍为何仍然需要人。
1:18:35 AI 时代的职业选择：新人如何入行，老员工怎么转型？
聊 RWE 的就业入口、实习与面试、创业公司的用人标准，以及如何面对技术焦虑。

📮 找到我们：
· 小红书：药厂门口 🔗
· 抖音：药厂门口播客 🔗
· 微信公众号：Pharma Lobby 播客 🔗
· 微信小助手：PharmaLobby
👇 加微信小助手拉你进听友群

在小宇宙查看该单集文稿

同样是做早期药物研发（Early Drug Discovery），在大型药企和 Startup，工作的体验究竟能有多不一样？
这一期，我们邀请了两位早期研发科学家：一位身处大型 MNC，在成熟的组织架构中支持不同疾病领域的项目；另一位加入小分子药物初创公司，长期以实验室工作为主，从分子设计、合成到项目推进，感受着另一种更直接、更快速的研发节奏。
从第一份工作怎么找、Industry Postdoc 值不值得做，到每天在忙什么、项目如何决策、晋升到底看能力还是Business Need，我们也聊到了跳槽、身份、工作强度，以及 AI 会不会改变药物发现。大厂和初创没有标准答案，真正的问题可能是：你想成为怎样的 Scientist，又愿意为此交换什么？
本期说明
本期讨论主要基于美国药企及 Biotech/Startup 的工作环境。不同国家和地区在组织架构、岗位职责、晋升机制和工作文化等方面存在差异，因此节目中的经验不一定直接适用于国内药企。
内容主要来自嘉宾在美国大型药企和 Startup 的个人经历与行业观察，仅代表具体从业者视角。节目中的部分岗位名称、专业术语和工作流程也沿用了美国药企中的常见英文表达。
小百科｜术语速查
跨国制药公司｜Multinational Pharmaceutical Company (MNC)
指在全球多个国家和地区设有分支机构、子公司、研发中心或生产基地的大型综合性制药集团。代表企业包括辉瑞（Pfizer）、罗氏（Roche）、诺华（Novartis）、默沙东（MSD）等全球制药巨头。
早期药物发现｜Early Drug Discovery
药物研发最前端的阶段，通常包括靶点研究、筛选活性分子、验证作用机制，以及对候选分子进行初步优化。
药物化学｜Medicinal Chemistry, MedChem
通过设计、合成和优化化合物，提高药物的活性、选择性、安全性及成药潜力，是小分子药物研发中的核心环节。
高通量筛选｜High-Throughput Screening, HTS
利用自动化设备，在较短时间内测试大量化合物，从中寻找可能对特定靶点有效的 Hit，也就是早期“种子选手”。
成药性评估｜Developability Assessment
在候选药物继续推进前，评估它是否足够稳定、容易生产、适合制剂开发，以及有没有明显的后期开发风险。
治疗领域｜Therapeutic Area, TA
公司按照疾病方向划分的研发领域，例如肿瘤、免疫、神经科学和感染性疾病。大药厂通常会同时覆盖多个TA。
向上管理｜Managing Up
不是“讨好老板”，而是理解管理者的目标和沟通方式，主动同步信息、提出建议，让双方对项目优先级和预期保持一致。
圆桌嘉宾
· Catie｜Early Drug Discovery Scientist + 大型跨国药企 + PhD，曾在药企完成 Industry Postdoc，目前从生物化学与体外实验角度支持多个疾病领域的小分子药物发现项目
· Beyond｜Early Drug Discovery Scientist + 小分子药物初创公司 + PhD，从学校毕业后直接进入 Startup，从事肿瘤及自身免疫方向的小分子药物发现与药物化学研究
· Dan｜Early Drug Discovery Scientist, PhD，曾在学术界从事博士后研究，目前负责传染性和自身免疫性疫苗的研发工作
· Daniel｜MD, PhD，药厂临床研发资深总监，主要关注实体瘤领域，也曾参与血液肿瘤相关工作
· Mia｜Statistics, PhD，药厂统计师
· Jay｜Chemistry, PhD，从事药物产品制剂的开发与生产工作
· Sophie｜Statistics, MS，药厂统计程序员
⏱ 时间轴
· 00:00 开场：把大厂和初创放在同一张桌子上
两位早研科学家介绍各自的公司类型、研究方向和岗位职责，本期的大厂与 Startup 对照正式开始。
· 03:00 小分子药物还有未来吗？
从神经科学、ADC 到患者用药便利性，聊聊在 Biologics 快速发展的今天，小分子为什么依然无法被替代。
· 13:20 第一份工作怎么选：Industry Postdoc 还是直接进公司？
两位嘉宾复盘自己的求职路径，并讨论论文、专业匹配度、身份和 Networking 在求职中的真实作用。
· 27:30 大厂和 Startup 的一天分别怎么过？
一边是会议、跨部门支持和快速轮转的项目，另一边是大量 Bench Work，以及采购、维护仪器等“公司需要你做的一切”。
· 39:20 从学校进入工业界，真正需要补的是什么？
实验技术未必变化最大，更大的转变来自数据质量、Slides 表达、项目导向，以及如何把科学结论讲给不同背景的人听。
· 54:35 扁平化还是成熟体系：哪种环境更适合职业早期？
小公司沟通快、个人 Scope 宽，大公司资源多、分工细；圆桌也从 MBTI 聊到职场人格和跨部门协作。
· 69:55 培训、转岗与晋升：大公司的 Career Ladder 真有那么清楚吗？
MBA、PhD、内部轮岗和会议机会看起来很多，但晋升除了个人表现，也取决于组织架构和实际的Business Need。
· 74:20 跳槽、稳定与“鸡头凤尾”
跳槽往往是升职最快的方式，但频繁跳槽也可能留下问号；选择大平台还是小团队，最终取决于你如何定义成就感。
· 82:45 Work-Life Balance：有人周五下午消失，有人周末还在实验室
大厂的制度和边界通常更明确，而 Startup 的工作时间更多由项目节点、融资压力和个人 Ownership 决定。
· 86:15 AI 会取代早研 Scientist 吗？以及最后的入行建议
AI 在蛋白和抗体设计中已经展现潜力，但小分子仍受数据质量限制；节目最后，嘉宾分享了了解行业、积累技能和尽早 Networking 的生存法则。

📮 找到我们：
· 小红书：药厂门口 🔗
· 抖音：药厂门口播客 🔗
· 微信公众号：Pharma Lobby 播客 🔗
· 微信小助手：PharmaLobby
· 邮箱：pharma.lobby.podcast@gmail.com
👇 加微信小助手拉你进听友群

在小宇宙查看该单集文稿

最近，Moderna 和 Merck 合作开发的个体化癌症疫苗公布了新的三期临床结果。
这一期，我们不太想再重复回答“癌症疫苗到底是什么”。
我们更感兴趣的是后面的那些问题：
为什么是 mRNA？为什么要和 K药联用？为什么第一个重要突破发生在黑色素瘤？
如果每一个患者拿到的药都不一样，临床试验、CMC、生产和监管，又该怎么重新设计？
以及一个更有意思的问题—— 这次验证的究竟只是一款药，还是 Moderna 背后的整个技术平台？
当制药开始从“一个药给很多人”，走向真正意义上的 One Patient, One Drug，药厂本身会不会也变成完全不同的样子？
这一期，我们从癌症疫苗一路聊到平台、AI、精准医疗、药厂未来，以及这些技术最终对患者意味着什么。
⚠️ Disclaimer
本期内容仅代表嘉宾基于公开信息、个人专业背景和从业经验所进行的讨论与观点分享。不同药企、研发项目及临床场景可能存在差异，节目内容不构成医疗、投资或其他专业建议。

⏱️ 时间轴
00:01｜热点终于抓上了：但我们不想再讲“癌症疫苗是什么”
从三期阳性结果出发，我们真正想聊的是：它为什么现在能成，以及成功之后会改变什么？
02:40｜“万物皆可 mRNA”，为什么这条路却走了这么久？
从新冠疫苗到癌症治疗：模块化生产的想象很美好，但“能够编码”距离“能够成药”，中间还有多少道坎？
10:18｜治疗癌症的“疫苗”，和我们小时候打的疫苗是一回事吗？
从预防性疫苗到治疗性肿瘤疫苗，以及整个个体化流程：肿瘤测序、寻找突变、预测 neoantigen，再为一个患者设计属于自己的 mRNA。
16:02｜真正的护城河可能不是 mRNA，而是算法和数据
同样拿到几十、几百个突变，为什么最后选的是这几个？数据库、HLA、neoantigen prediction 和算法，可能才是平台背后真正难复制的部分。
18:57｜为什么癌症疫苗偏偏要和 K 药一起用？
一个负责“踩油门”，一个负责“松刹车”？从术后辅助治疗聊到 RFS、DMFS，以及为什么个体化癌症疫苗天然适合残留病灶更少的场景。
28:35｜为什么第一站是黑色素瘤？下一个又会是谁？
高 TMB、强免疫原性、可以手术切除……黑色素瘤几乎集齐了癌症疫苗最喜欢的条件。再往后，非小细胞肺癌、膀胱癌、RCC，谁更适合成为下一站？
37:55｜癌症疫苗、MRD、ctDNA：精准医疗会不会拼成一张完整的图？
未来有没有可能：手术切除 → 检测微小残留 → 找出高复发风险患者 → 再为这个患者定制治疗？
44:26｜One Patient, One Drug：药厂还会是今天的药厂吗？
当一个 batch 可能只属于一个患者，质量标准怎么定义？算法升级怎么监管？出了问题又该召回谁？个体化治疗正在挑战传统制药最基础的生产逻辑。
49:48｜一款药成功，为什么可能验证的是整个 Platform？
从 ADC 到 mRNA：所谓“平台型公司”到底拥有什么？为什么一个成熟的平台，可以比单独的一款 blockbuster 更有想象空间？
56:16｜Moderna 有平台，Merck 带来了什么？
K药、临床开发经验、PI 与 site 网络、全球商业化能力，以及一个绕不开的问题：K药专利到期之后，这个组合怎么办？
1:00:08｜癌症疫苗如果真的起来，药厂会需要什么样的人？
Bioinformatics、computational biology、数据科学、mRNA/LNP 工艺开发……AI 会减少岗位，还是创造新的岗位？Wet Lab 和计算科学又会变成什么关系？
1:05:53｜“三期阳性”距离真正成为一款药，还有多远？
Topline data 到底告诉了我们什么？完整数据发布之后，应该重点看 HR、confidence interval、RFS、DMFS，还是 OS？
1:11:00｜真正到了患者手里，会是什么体验？
从取样、测序、生产到给药，一人一药会不会贵得惊人？为什么它的制造逻辑又可能比 CAR-T 更容易规模化？
1:19:43｜技术之外：癌症疫苗最终想改变的，可能是“它会不会回来”
癌症治疗结束之后，复发的担心往往并不会一起结束。如果有一天，我们真的能进一步降低复发风险，那么被改变的不只是一个临床终点，也可能是患者和一个家庭很多年面对未来的方式。
🎙️ 圆桌嘉宾
Sophie
《药厂门口》主持人，药厂临床研发部门统计程序员。
Daniel
临床研发从业者，《药厂门口》常驻嘉宾；小红书账号「Daniel有话药说」，关注医药行业与前沿研发动态。
Dan
曾从事疫苗与抗体研发，目前从事生物分析相关工作。

📖 小百科｜术语速查
mRNA： Messenger RNA，信使 RNA。可以向细胞提供制造特定蛋白质的“指令”。
LNP： Lipid Nanoparticle，脂质纳米颗粒。mRNA 常用的递送系统之一，用来保护并帮助 mRNA 进入细胞。
Neoantigen｜新抗原： 由肿瘤特有突变产生、正常细胞中不存在的抗原，是个体化癌症疫苗设计的重要靶点。
HLA： Human Leukocyte Antigen，人类白细胞抗原。参与向免疫系统呈递抗原，不同患者的 HLA 类型也会影响哪些 neoantigen 更有可能被识别。
TMB： Tumor Mutational Burden，肿瘤突变负荷。简单来说，可以理解为肿瘤中积累了多少突变。
RFS： Recurrence-Free Survival，无复发生存期。常用于术后辅助治疗，观察患者在治疗后多久没有出现癌症复发或死亡。
DMFS： Distant Metastasis-Free Survival，无远处转移生存期。
OS： Overall Survival，总生存期。
MRD： Minimal Residual Disease，微小残留病灶。指常规检测可能已经看不到，但更灵敏的方法仍可能检测到的少量肿瘤残留。
ctDNA： Circulating Tumor DNA，循环肿瘤 DNA。肿瘤细胞释放到血液中的 DNA 片段，可用于研究和监测肿瘤残留、复发风险等。
Adjuvant Therapy｜辅助治疗： 在手术等主要治疗之后进行的进一步治疗，目的是降低疾病复发风险。
Platform｜技术平台： 不是某一款具体药物，而是一套可以被重复利用的技术、算法、生产工艺、数据和研发体系。底层平台稳定后，可以通过改变其中部分模块开发新的产品。

📮 找到我们：
小红书：药厂门口 🔗

抖音：药厂门口播客 🔗

微信公众号：Pharma Lobby 播客 🔗

微信小助手：PharmaLobby

邮箱：pharma.lobby.podcast@gmail.com

👇 加微信小助手拉你进听友群

在小宇宙查看该单集文稿

节目简介
很多人以为，一款药拿到FDA批准，故事就差不多讲完了。但唐博雄博士提醒我们：批文只是第一道门。医生愿不愿意开、保险愿不愿意报、患者最终能不能负担得起，才决定一个药能不能真正走到市场。这一期，我们从RWE、HEOR和Market Access的分工聊起，一路拆到美国复杂的支付体系、新药如何定价、国际参考价格和中国创新药出海，也聊了海南真实世界数据试点，RWE/HEOR领域的职业路径，以及AI会怎样改变证据生成。研发证明“药有没有用”，而最后一公里要回答的，是“这个价值能不能被看见、被支付、被真正用上”。
本期说明
由于不同国家和地区的医疗体系、监管环境、支付机制及药企组织架构各不相同，不同公司对于相似岗位的职责划分和术语定义也可能存在差异。
嘉宾长期在北美及全球药企环境中从事相关工作，因此节目中的部分岗位名称、专业术语和业务流程沿用了日常工作中的英文表达，也会更多从美国及国际市场的实际经验出发。
节目内容基于嘉宾的个人经历和行业观察，仅代表一种从业者视角，不一定适用于所有公司、市场或岗位。我们希望通过不同从业者的经验，把药物从研发成功到真正走进医生和患者手中的这段路讲得更具体，也帮助听众看到一个更多元、立体的医药行业～ 🎉
📖 小百科 | 术语速查
HEOR（Health Economics and Outcomes Research）：健康经济学与结局研究，把临床结果、患者体验和经济成本放在一起研究，用来回答一个药除了“有效”之外，是否值得被支付、能带来多大的整体价值。
RWE（Real-World Evidence）：真实世界证据，来自日常医疗场景的数据所形成的证据，比如电子病历、医保理赔数据、患者登记和实际用药记录。它更关心药物“在真实世界里到底表现怎么样”。
Market Access：市场准入，让药物真正进入市场和支付体系的一整套工作，包括价值证据、定价与报销策略、与支付方沟通等。FDA批准只是拿到“入场券”，准入决定药能不能被广泛使用。
QALY（Quality-Adjusted Life Year）：质量调整生命年，把“活得多久”和“活得怎么样”合在一个指标里，用于比较不同治疗带来的健康收益。很多卫生技术评估和成本效益分析会用到这个概念。
PRO（Patient-Reported Outcome）：患者报告结局，由患者自己报告的症状、功能或生活质量，比如疼痛、瘙痒、疲劳和睡眠影响。它补充了影像、实验室指标等“客观终点”看不到的部分。
Payer：支付方，真正承担医疗费用的一方，可以是政府医保、商业保险等。在医药行业里，患者是药物的使用者、医生决定开什么药，但支付方往往会影响这个药能不能报销、患者最终要付多少钱。
Tier：药品报销层级，美国商业保险常把处方药划分到不同报销层级，不同 Tier 对应不同的患者自付费用。一个药即使被保险覆盖，被放在哪一层，也会直接影响患者使用它的门槛。
International Reference Pricing：国际参考定价，一个国家在制定或评估药价时，参考其他国家同一药品的价格。因为不同市场之间可能互相影响，药企也会把进入不同国家的先后顺序纳入全球上市和定价策略。
Cost-Effectiveness Analysis：成本效果分析，比较一种新治疗相对于现有治疗，多花了多少钱，又多带来了多少健康收益。它更关注“多付出的这些钱，换来的额外健康价值值不值”。
Budget Impact：预算影响，从支付方角度看，如果把一个新药纳入报销，在特定人群和时间范围内会让整体医疗预算增加多少。它回答的更像是“这个钱现在付不付得起”，不完全等同于成本效果分析所回答的“值不值得”。
👥 圆桌嘉宾
Dr. Boxiong Tang｜全球 HEOR 资深负责人｜跨国药企及中国创新药企
拥有25年以上相关经验，曾任职辉瑞、强生、GSK、百济神州等药企，支持产品在30多个国家上市并获得报销，也曾一线参与中国创新药进入全球市场的市场准入工作。这期里，他从“FDA批准之后还要过多少关”讲起，把市场准入、医保、定价和真实世界证据这张地图一点点铺开。
Daniel｜肿瘤临床开发，MD, PhD
药厂临床研发从业者，主要关注实体瘤领域，也曾参与血液肿瘤相关工作。平时更熟悉的是临床研发和终点，这次则带着“药批了以后到底是谁接棒”的好奇，一路追问医生、医保和市场真正关心什么。
Dan｜疫苗与抗体研发，生物PhD
曾从事博士后研究，目前负责疫苗与抗体方向的研发工作。因为身处早期研发，他对药物后半程“既近又远”，这期里也不断从研发端追问：一个产品从实验室一路走到市场，中间到底还要补上哪些证据。
Sophie｜临床试验统计程序员，统计MS
药厂统计程序员，日常和患者数据打交道。她从“数据到底怎么被收集和使用”这个最贴近实操的角度出发，追问患者生活质量、PRO 这些看起来主观的指标，究竟是怎么被设计、记录和分析的。
Mia｜临床试验统计师，统计PhD
虽然已经在临床研发里工作几年，但对 RWE、HEOR 和 Market Access 一直有不少“听过名字但没真正搞懂”的疑问。这期里也代表很多临床研发人的视角，把那些平时最容易混在一起的概念一个个问清楚。
⏱️ 时间轴
00:57 FDA 批了，为什么故事才刚刚开始？
从“主要终点过没过”之外看一款药的第二个里程碑：医生愿不愿意开、支付方愿不愿意报、患者能不能真正用上。
06:14 RWE、HEOR、Market Access 到底各自在做什么？
先把几个最容易混淆的部门画进同一张地图：临床证据、真实世界表现、经济价值和市场准入如何衔接。
15:23 市场准入为什么不能等到获批以后再想？
从未满足需求、疾病负担到患者体验，很多“上市后的问题”其实需要在研发早期就开始布局。
23:53 药到底卖给谁：医生、患者和支付方的三角关系
药品不是普通消费品；从美国碎片化的商保体系聊到中美医保差异，也解释为什么同一种药，不同患者可能付完全不同的钱。
40:05 一个新药到底怎么定价？
从 reference + differentiation 讲到 value-based healthcare：不是简单“研发花了多少就卖多少”，而是要证明相对现有治疗多创造了什么价值。
52:46 HEOR、Medical Affairs 和 Market Access 在公司里怎么分工？
不同药企的组织架构并没有统一答案，但共同目标都是把临床、经济学和患者证据整合成能够支持决策的“价值包”。
57:51 中国与全球市场策略：海南、真实世界数据与国际参考价
从博鳌的先行用药和真实世界数据试点，聊到不同国家的上市顺序、国际参考价格，以及全球定价为什么是一盘联动的棋。
1:10:50 想转入 HEOR / RWE，需要什么背景和技能？
统计、流行病学、医学、经济学、政策背景都可能进入这个领域；比“专业对不对口”更重要的是实战经验、实习 / fellowship 和对医疗体系的理解。
1:22:28 AI 会不会重塑真实世界研究？
AI最先改变的可能是结构化数据、文献综述和重复性分析，但最终如何选问题、解释结果、和监管及支付方沟通，仍然需要人的判断。
1:28:54 结尾：药物研发的“最后一公里”
研发回答的是“药有没有用”，市场之后还要继续回答“价值能不能被看见、被支付、被患者真正获得”。

📮 找到我们：
小红书：药厂门口 🔗

抖音：药厂门口播客 🔗

微信公众号：Pharma Lobby 播客 🔗

微信小助手：PharmaLobby

邮箱：pharma.lobby.podcast@gmail.com

👇 加微信小助手拉你进听友群

在小宇宙查看该单集文稿

本期简介：
2026 ASCO，康方生物的伊沃西单抗凭借 HARMONi-6 的 OS 阳性结果站上 Plenary Session，一时间成为中国创新药最受关注的故事之一。
但大会结束后，临床圈的兴奋和资本市场的冷静却形成了鲜明反差：中国人群里做出来的漂亮数据，到了全球还能不能一样漂亮？
这一期，我们从 HARMONi 系列的开发策略讲起，聊到鳞癌中的 PD-1/VEGF 机制、安全性和患者选择，也拆解了围绕中期分析、KM 曲线和 OS 成熟度的统计争议。
再往后，我们把视角从康方一家企业拉远：当中国创新药已经可以站上全球最核心的学术舞台，下一步真正需要证明的，也许已经不再是“我们能不能做出好药”，而是——我们有没有能力把一款好药，真正做成全球标准。

⏱️ 时间轴：
00:00｜从 ASCO 热评变成 ASCO 回顾
两个月过去，伊沃西的新适应症已经在中国获批，但市场最担心的问题依然没变：中国的 OS，能不能走向全球？
06:15｜HARMONi-6 到底赢了什么？
Plenary Session 的现场到底有多热？海外医生究竟是在为中国创新药鼓掌，还是带着审视等待更多证据？
08:43｜从 HARMONi-a 到 HARMONi-7：康方是怎么一步步挑战 K 药的？
先解决 unmet need，再做单药头对头，最后走向全球一线肺癌——拆开整个 clinical development pipeline，康方的野心其实早有迹可循。
18:57｜中国鳞癌的漂亮结果，欧美医生买不买账？
鳞癌、吸烟人群、VEGF 高表达……机制上非常合理，但当患者画像换成欧美市场，这份结果还能复制多少？
24:39｜VEGF + 鳞癌：疗效很诱人，但出血风险怎么办？
Grade 3 以上 AE 接近 70%，曾经让贝伐珠单抗折戟的安全性问题，伊沃西真的解决了吗？如果是真实门诊里的患者，医生敢不敢首选？
27:34｜数据这么漂亮，为什么股价反而跌？
替雷利珠单抗不是 Keytruda，中国 study 也不是 global study。资本市场真正担心的，可能从来都不是 HARMONi-6 “好不好”，而是它能不能支撑全球商业化。
32:00｜“不寻常的统计设计”？这次可能真的是媒体误会了
从 O’Brien-Fleming boundary 到 group sequential design：为什么提前看数据并不等于“挑数据”，反而意味着需要跨过一个更严格的门槛？
37:25｜90% 以上男性：完美数据背后的患者选择
男性、吸烟者、较年轻、排除高出血风险患者——这样的 trial population 很适合回答中国监管问题，但距离欧美真实世界还有多远？
42:35｜KM 曲线最后那一下“断崖”，到底意味着什么？
一个死亡事件为什么能让尾部突然下跌？大量 censoring 又说明了什么？从统计视角聊聊：OS 阳性，不等于 OS 已经足够成熟。
46:28｜真正的问题来了：中国创新药到底该怎么出海？
ADC 在被 MNC 疯抢，伊沃西却绑定了 Summit。2022 年的这笔交易究竟是当时最好的选择，还是后来回看已经显得有些保守？
58:45｜一个全球肿瘤三期，到底有多烧钱？
单个患者数万美元，1600 人的 HARMONi-3 再叠加 CRO、影像、供应链和全球运营——为什么“有好药”距离“有能力全球铺开”还差着几十亿美元的故事？
1:01:45｜海外对中国数据的质疑，到底是偏见，还是我们真的还有功课没做完？
China-only study、全球人群代表性、监管信任、临床运营能力……当争议被拆开来看，答案可能并不是简单的“欧美打压中国药”。
1:21:22｜为什么中国的 OS 随访，到了全球可能就没那么好做了？
病人失联、跨州就医、医疗网络分散、lost to follow-up……从 CRC/CRA 的一线经历，看一个看似不起眼的数据点，如何最终影响临床试验的成败。
1:32:54｜市场真正开始审视的，是中国 biotech 的全球化能力?
当海外开始用审视 Keytruda 的标准审视中国创新药，这可能恰恰说明：中国药已经不再被当成一个 China-only story。🎉
👥 圆桌嘉宾：
Sophie｜临床试验统计程序员
长期和肿瘤临床试验数据打交道，这一期带着“做数据的人”的好奇心，一起追问 HARMONi-6 的数据到底该怎么看。
Daniel｜肿瘤临床开发
从机制、管线设计和全球开发策略拆解 HARMONi 系列，也从产业视角讨论康方下一步的全球化选择。
Mia｜临床试验统计师
拆解 O’Brien-Fleming、中期分析、KM 曲线、censoring 和 OS maturity，看看争议背后哪些是真问题，哪些只是统计学误读。
Maggie｜美国肿瘤中心临床研究
带回 ASCO 一线现场观察，也从临床试验执行端分享美国患者入组、随访和数据收集中的真实挑战。
Dan｜疫苗与抗体研发
从早期研发和分子机制出发，讨论“实验室里很漂亮的分子”究竟要跨过多少关，才能真正变成让患者获益的药。

📖 小百科｜术语速查
OS（Overall Survival）：总生存期，从随机入组到患者死亡的时间，是肿瘤临床研究中非常硬的终点。
HR（Hazard Ratio）：风险比。HARMONi-6 中 OS HR 0.66，可以理解为试验组相较对照组的死亡风险降低约 34%。
KM Curve：Kaplan-Meier 生存曲线，用来展示患者随时间推移的生存概率。
Group Sequential Design：允许临床试验在预先规定的时间点进行中期分析的一类统计设计，同时通过严格控制 alpha，避免因中期看数据而增加假阳性的概率。
O’Brien-Fleming Boundary：经典的中期分析 stopping boundary，特点可以简单理解成“前严后松”——想在中期就宣布成功，需要非常强的疗效信号。

📮 找到我们：
小红书：药厂门口 🔗

抖音：药厂门口播客 🔗

微信公众号：Pharma Lobby 播客 🔗

微信小助手：PharmaLobby

邮箱：pharma.lobby.podcast@gmail.com

👇 加微信小助手拉你进听友群

在小宇宙查看该单集文稿