智能制造網(wǎng)APP
智能制造網(wǎng)手機(jī)站
智能制造網(wǎng)小程序
智能制造網(wǎng)官微
智能制造網(wǎng)服務(wù)號
智能控制
機(jī)器人
儀器儀表
物聯(lián)網(wǎng)
3D打印
工業(yè)軟件
回放
品牌
威綸通
【中國智能制造網(wǎng) 學(xué)術(shù)論文】在藥物開發(fā)過程中結(jié)合人工智能技術(shù)，有著提升開發(fā)效率的潛力。人工智能不但可以加速時間范圍，還可以提高到達(dá)后期試驗階段藥物的成功概率。
AI產(chǎn)業(yè)生態(tài)圈再擴(kuò)容：實(shí)現(xiàn)藥物研發(fā)“去風(fēng)險”
近年來，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的應(yīng)用領(lǐng)域極速擴(kuò)張，而數(shù)據(jù)、更快的硬件、更好的算法則是推動人工智能的進(jìn)展的三大基石。下文中，小編為您節(jié)選了報告中關(guān)于人工智能對醫(yī)療領(lǐng)域的影響，帶您一窺未來醫(yī)療的發(fā)展方向。報告指出，到2025年，醫(yī)療年均成本預(yù)計可節(jié)約540億美元。
機(jī)器學(xué)習(xí)在醫(yī)療領(lǐng)域中有廣泛的應(yīng)用前景。醫(yī)療行業(yè)需要豐富且定義明確數(shù)據(jù)集，也需要隨時隨地對患者進(jìn)行監(jiān)督，而醫(yī)療結(jié)果也存在著極大的可變性。機(jī)器學(xué)習(xí)可為其中不少的子行業(yè)提供獲得高額回報的潛力，如藥物發(fā)現(xiàn)、測試分析、治療優(yōu)化和患者監(jiān)護(hù)等。隨著人工智能和機(jī)器學(xué)習(xí)的不斷整合，人們將有望在新藥研發(fā)的過程中顯著地實(shí)現(xiàn)“去風(fēng)險”，不但將節(jié)約每年約260億美元的研發(fā)成本，同時還將提高醫(yī)療信息領(lǐng)域的效率，節(jié)約的成本價值超過每年280億美元。
機(jī)遇何在？
藥物發(fā)現(xiàn)與開發(fā)。在藥物開發(fā)過程中結(jié)合機(jī)器學(xué)習(xí)，有著提升開發(fā)效率的潛力。機(jī)器學(xué)習(xí)不但可以加速時間范圍，還可以提高到達(dá)后期試驗階段藥物的成功概率。Medicxi Ventures的合伙人 David Grainger認(rèn)為，錯誤發(fā)現(xiàn)率是一個統(tǒng)計學(xué)現(xiàn)象，而避免FDR則有可能將后期試驗階段的風(fēng)險減半。
此外，在藥物發(fā)現(xiàn)的早期階段中，現(xiàn)有虛擬篩選的方法名為“高通量篩選”，而它非常容易受到FDR的影響。如果可以將第3階段試驗的風(fēng)險減半，就可以為大型制藥公司節(jié)約數(shù)十億美元的成本，影響其超過900億美元的研發(fā)經(jīng)費(fèi)并帶來有意義的回報，使其能夠騰出資源集中于尋找更有潛力的機(jī)會。
備注：虛擬篩選也稱計算機(jī)篩選，即在進(jìn)行生物活性篩選之前，利用計算機(jī)上的分子對接軟件模擬目標(biāo)靶點(diǎn)與候選藥物之間的相互作用，計算兩者之間的親和力大小，以降低實(shí)際篩選化合物數(shù)目，同時提高先導(dǎo)化合物發(fā)現(xiàn)效率。
雖然與后期試驗相關(guān)的巨額費(fèi)用往往側(cè)重于臨床試驗的設(shè)計元素，但我們認(rèn)為，將AI/ML應(yīng)用于優(yōu)化后期階段在選擇標(biāo)準(zhǔn)、規(guī)模和研究長度等方面的決策，也可以實(shí)現(xiàn)有意義的效率提高。
醫(yī)生/醫(yī)院的效率。由于監(jiān)管和分裂等原因，美國醫(yī)療體系在歷史上對新技術(shù)的采用一直十分緩慢。除了需要應(yīng)對系統(tǒng)的挑戰(zhàn)，從藥物發(fā)現(xiàn)到醫(yī)生和診所將新藥應(yīng)用于醫(yī)療實(shí)踐之間的過程往往十分漫長且沒有連續(xù)性。
美國市場研究咨詢機(jī)構(gòu)透明市場研究公司的數(shù)據(jù)顯示，美國政府近發(fā)布的一系列納入《美國復(fù)蘇與再投資法案》的法令，已經(jīng)推動了諸如電子健康記錄等領(lǐng)域的快速增長，市場預(yù)計將在2023年達(dá)到約300億美元。數(shù)據(jù)的聚合，不斷改進(jìn)的數(shù)據(jù)捕獲技術(shù)，以及獨(dú)立醫(yī)院的不斷減少等，已經(jīng)為數(shù)據(jù)的大規(guī)模利用創(chuàng)造了一個的機(jī)遇。這一切也將提高機(jī)器學(xué)習(xí)算法和人工智能的各項功能，以在醫(yī)療領(lǐng)域的各個方面改善速度、降低成本和提高精度。
總部設(shè)在倫敦的谷歌DeepMind正與英國國民健康服務(wù)合作開發(fā)一款旨在監(jiān)測腎臟疾病患者的APP，以及一個前身名為“患者搶救”、旨在支持診斷決策的平臺。
任何AI/ML系統(tǒng)的關(guān)鍵都是海量的數(shù)據(jù)，因此DeepMind和NHS達(dá)成了一個數(shù)據(jù)共享協(xié)議，NHS將為DeepMind提供動態(tài)的新數(shù)據(jù)流和歷史數(shù)據(jù)，以用于訓(xùn)練DeepMind的算法。只有有了海量的數(shù)據(jù)，才有可能對臨床數(shù)據(jù)進(jìn)行實(shí)時分析。當(dāng)然，如果DeepMind可以隨時有效獲取患者數(shù)據(jù)，它所能提供的見解將遠(yuǎn)遠(yuǎn)超出腎臟疾病的范圍。
痛點(diǎn)何在？
藥物發(fā)現(xiàn)與開發(fā)。醫(yī)療領(lǐng)域的重要痛點(diǎn)之一，是藥物發(fā)現(xiàn)與開發(fā)的時間和成本。根據(jù)塔夫特藥物發(fā)展研究中心的數(shù)據(jù)，一款新藥的面市從藥物發(fā)現(xiàn)到獲得FDA批準(zhǔn)平均大約需要97個月。雖然對專業(yè)技術(shù)的持續(xù)聚焦可以幫助改善時間跨度，但新藥研發(fā)的成本卻仍在持續(xù)增加。德勤的數(shù)據(jù)顯示，自2010年以來，12家主要制藥公司的獲批藥物開發(fā)成本已經(jīng)增加了33%，至約每年16億美元。
研發(fā)回報。生物制藥研發(fā)的生產(chǎn)力至今仍然是一個充滿爭議性的話題。開發(fā)一款成功藥物的成本持續(xù)增加，但由于報銷制度中的不利因素、患者量的降低和企業(yè)間的競爭等，新藥研發(fā)的收入回報環(huán)境也不容樂觀。雖然我們預(yù)計2010 - 2020年的研發(fā)回報相對與2000-2010年會有所提高，但實(shí)際上二者之間的變化微不足道。此外，影響研發(fā)回報重要的不利因素之一在于那些失敗的研發(fā)產(chǎn)品，特別是那些已經(jīng)達(dá)到后期試驗階段的藥物；這些藥物的成本每年估計就占到了400億美元以上。
醫(yī)生/醫(yī)院的效率。醫(yī)療領(lǐng)域的一項特別挑戰(zhàn)，依然是醫(yī)生的醫(yī)療實(shí)踐明顯滯后于新藥和新治療方法的獲批。因此，許多醫(yī)療領(lǐng)域的機(jī)器學(xué)習(xí)和人工智能專家正不斷鼓勵主要的醫(yī)療服務(wù)供應(yīng)商，讓在其工作流程中融入現(xiàn)代的機(jī)器學(xué)習(xí)工具，以使其充分利用收集到的和已發(fā)表的海量醫(yī)療數(shù)據(jù)存儲。
機(jī)器學(xué)習(xí)和人工智能可有望降低藥物發(fā)現(xiàn)和醫(yī)療實(shí)踐之間的時間差；與此同時，它們還能對治療進(jìn)行優(yōu)化。例如，從北美放射學(xué)會2009年對肝膽放射的研究可見，23%的第二意見會改變診斷結(jié)論，而這也是專注于醫(yī)學(xué)影像的機(jī)器學(xué)習(xí)公司有望能解決的領(lǐng)域。此外，那些致力于利用機(jī)器學(xué)習(xí)在基因組層面進(jìn)行疾病判斷的公司，例如Deep Genomics等，正幫助供應(yīng)商定位，以提供更有效和更有針對性的治療。
浙公網(wǎng)安備 33010602000006號
智能制造網(wǎng)APP
智能制造網(wǎng)小程序
微信公眾號
