智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
智能控制
機器人
儀器儀表
物聯網
3D打印
工業(yè)軟件
回放
品牌
MRDVS
【中國智能制造網 學術論文】在藥物開發(fā)過程中結合人工智能技術，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，還可以提高到達后期試驗階段藥物的成功概率。
AI產業(yè)生態(tài)圈再擴容：實現藥物研發(fā)“去風險”
近年來，機器學習和深度學習的應用領域極速擴張，而數據、更快的硬件、更好的算法則是推動人工智能的進展的三大基石。下文中，小編為您節(jié)選了報告中關于人工智能對醫(yī)療領域的影響，帶您一窺未來醫(yī)療的發(fā)展方向。報告指出，到2025年，醫(yī)療年均成本預計可節(jié)約540億美元。
機器學習在醫(yī)療領域中有廣泛的應用前景。醫(yī)療行業(yè)需要豐富且定義明確數據集，也需要隨時隨地對患者進行監(jiān)督，而醫(yī)療結果也存在著極大的可變性。機器學習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、測試分析、治療優(yōu)化和患者監(jiān)護等。隨著人工智能和機器學習的不斷整合，人們將有望在新藥研發(fā)的過程中顯著地實現“去風險”，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)療信息領域的效率，節(jié)約的成本價值超過每年280億美元。
機遇何在？
藥物發(fā)現與開發(fā)。在藥物開發(fā)過程中結合機器學習，有著提升開發(fā)效率的潛力。機器學習不但可以加速時間范圍，還可以提高到達后期試驗階段藥物的成功概率。Medicxi Ventures的合伙人 David Grainger認為，錯誤發(fā)現率是一個統計學現象，而避免FDR則有可能將后期試驗階段的風險減半。
此外，在藥物發(fā)現的早期階段中，現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階段試驗的風險減半，就可以為大型制藥公司節(jié)約數十億美元的成本，影響其超過900億美元的研發(fā)經費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會。
備注：虛擬篩選也稱計算機篩選，即在進行生物活性篩選之前，利用計算機上的分子對接軟件模擬目標靶點與候選藥物之間的相互作用，計算兩者之間的親和力大小，以降低實際篩選化合物數目，同時提高先導化合物發(fā)現效率。
雖然與后期試驗相關的巨額費用往往側重于臨床試驗的設計元素，但我們認為，將AI/ML應用于優(yōu)化后期階段在選擇標準、規(guī)模和研究長度等方面的決策，也可以實現有意義的效率提高。
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的采用一直十分緩慢。除了需要應對系統的挑戰(zhàn)，從藥物發(fā)現到醫(yī)生和診所將新藥應用于醫(yī)療實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構透明市場研究公司的數據顯示，美國政府近發(fā)布的一系列納入《美國復蘇與再投資法案》的法令，已經推動了諸如電子健康記錄等領域的快速增長，市場預計將在2023年達到約300億美元。數據的聚合，不斷改進的數據捕獲技術，以及獨立醫(yī)院的不斷減少等，已經為數據的大規(guī)模利用創(chuàng)造了一個的機遇。這一切也將提高機器學習算法和人工智能的各項功能，以在醫(yī)療領域的各個方面改善速度、降低成本和提高精度。
總部設在倫敦的谷歌DeepMind正與英國國民健康服務合作開發(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系統的關鍵都是海量的數據，因此DeepMind和NHS達成了一個數據共享協議，NHS將為DeepMind提供動態(tài)的新數據流和歷史數據，以用于訓練DeepMind的算法。只有有了海量的數據，才有可能對臨床數據進行實時分析。當然，如果DeepMind可以隨時有效獲取患者數據，它所能提供的見解將遠遠超出腎臟疾病的范圍。
痛點何在？
藥物發(fā)現與開發(fā)。醫(yī)療領域的重要痛點之一，是藥物發(fā)現與開發(fā)的時間和成本。根據塔夫特藥物發(fā)展研究中心的數據，一款新藥的面市從藥物發(fā)現到獲得FDA批準平均大約需要97個月。雖然對專業(yè)技術的持續(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。德勤的數據顯示，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。雖然我們預計2010 - 2020年的研發(fā)回報相對與2000-2010年會有所提高，但實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)產品，特別是那些已經達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)療領域的一項特別挑戰(zhàn)，依然是醫(yī)生的醫(yī)療實踐明顯滯后于新藥和新治療方法的獲批。因此，許多醫(yī)療領域的機器學習和人工智能專家正不斷鼓勵主要的醫(yī)療服務供應商，讓在其工作流程中融入現代的機器學習工具，以使其充分利用收集到的和已發(fā)表的海量醫(yī)療數據存儲。
機器學習和人工智能可有望降低藥物發(fā)現和醫(yī)療實踐之間的時間差；與此同時，它們還能對治療進行優(yōu)化。例如，從北美放射學會2009年對肝膽放射的研究可見，23%的第二意見會改變診斷結論，而這也是專注于醫(yī)學影像的機器學習公司有望能解決的領域。此外，那些致力于利用機器學習在基因組層面進行疾病判斷的公司，例如Deep Genomics等，正幫助供應商定位，以提供更有效和更有針對性的治療。
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
