虚拟试验利用日常收集的临床数据评估治疗方案，但将研究方案转化为可执行分析需要决定如何在可用数据中表示临床概念和研究要求，并在整个工作流中保持一致。这些决定受本地数据模型和操作惯例影响，涉及数据源选择、患者与就诊身份、关联方式以及时间解释。
为此我们提出 VirtualTrialHarness（VTHarness），一种基于代理的框架。它在每个工作流阶段自动挑选可复用的过程技能，并通过显式合同在阶段之间维持统一的研究决策。我们同时提供 VTBenchmark，用于评估数据源选择和队列构建的质量。
在三个复杂的合成环境中，VTHarness 在需求澄清后能够生成所有必需的队列输出，匹配参考结果的比例为 95.1%，而仅从同一过程库检索的基线为 60.4%。过程技能提升了三种语言模型的源恢复能力，并在 13 例 Mayo Clinic 案例中增加了与分析师代码的重叠。针对特定站点的适配使得在八个 MIMIC‑IV 任务中实现了参考匹配的队列执行。
在 Mayo Clinic 虚拟试验项目中，框架支持研究者审查队列构建和终点分析，展示了将过程指导与工作流决策相结合能够提升跨复杂临床结构的虚拟试验实现。
点评：该系统通过代理化的过程选择和合同机制，实现了高效且一致的虚拟试验操作，为实际临床数据环境的推广提供了可行路径。