智能制造网APP
智能制造网手机站
智能制造网小程序
智能制造网官微
智能制造网服务号
智能控制
机器人
仪器仪表
物联网
3D打印
工业软件
回放
品牌
上海实干
【中国智能制造网 学术论文】在药物开发过程中结合人工智能技术，有着提升开发效率的潜力。人工智能不但可以加速时间范围，还可以提高到达后期试验阶段药物的成功概率。
AI产业生态圈再扩容：实现药物研发“去风险”
近年来，机器学习和深度学习的应用领域极速扩张，而数据、更快的硬件、更好的算法则是推动人工智能的进展的三大基石。下文中，小编为您节选了报告中关于人工智能对医疗领域的影响，带您一窥未来医疗的发展方向。报告指出，到2025年，医疗年均成本预计可节约540亿美元。
机器学习在医疗领域中有广泛的应用前景。医疗行业需要丰富且定义明确数据集，也需要随时随地对患者进行监督，而医疗结果也存在着极大的可变性。机器学习可为其中不少的子行业提供获得高额回报的潜力，如药物发现、测试分析、治疗优化和患者监护等。随着人工智能和机器学习的不断整合，人们将有望在新药研发的过程中显著地实现“去风险”，不但将节约每年约260亿美元的研发成本，同时还将提高医疗信息领域的效率，节约的成本价值超过每年280亿美元。
机遇何在？
药物发现与开发。在药物开发过程中结合机器学习，有着提升开发效率的潜力。机器学习不但可以加速时间范围，还可以提高到达后期试验阶段药物的成功概率。Medicxi Ventures的合伙人 David Grainger认为，错误发现率是一个统计学现象，而避免FDR则有可能将后期试验阶段的风险减半。
此外，在药物发现的早期阶段中，现有虚拟筛选的方法名为“高通量筛选”，而它非常容易受到FDR的影响。如果可以将第3阶段试验的风险减半，就可以为大型制药公司节约数十亿美元的成本，影响其超过900亿美元的研发经费并带来有意义的回报，使其能够腾出资源集中于寻找更有潜力的机会。
备注：虚拟筛选也称计算机筛选，即在进行生物活性筛选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导化合物发现效率。
虽然与后期试验相关的巨额费用往往侧重于临床试验的设计元素，但我们认为，将AI/ML应用于优化后期阶段在选择标准、规模和研究长度等方面的决策，也可以实现有意义的效率提高。
医生/医院的效率。由于监管和分裂等原因，美国医疗体系在历史上对新技术的采用一直十分缓慢。除了需要应对系统的挑战，从药物发现到医生和诊所将新药应用于医疗实践之间的过程往往十分漫长且没有连续性。
美国市场研究咨询机构透明市场研究公司的数据显示，美国政府近发布的一系列纳入《美国复苏与再投资法案》的法令，已经推动了诸如电子健康记录等领域的快速增长，市场预计将在2023年达到约300亿美元。数据的聚合，不断改进的数据捕获技术，以及独立医院的不断减少等，已经为数据的大规模利用创造了一个的机遇。这一切也将提高机器学习算法和人工智能的各项功能，以在医疗领域的各个方面改善速度、降低成本和提高精度。
总部设在伦敦的谷歌DeepMind正与英国国民健康服务合作开发一款旨在监测肾脏疾病患者的APP，以及一个前身名为“患者抢救”、旨在支持诊断决策的平台。
任何AI/ML系统的关键都是海量的数据，因此DeepMind和NHS达成了一个数据共享协议，NHS将为DeepMind提供动态的新数据流和历史数据，以用于训练DeepMind的算法。只有有了海量的数据，才有可能对临床数据进行实时分析。当然，如果DeepMind可以随时有效获取患者数据，它所能提供的见解将远远超出肾脏疾病的范围。
痛点何在？
药物发现与开发。医疗领域的重要痛点之一，是药物发现与开发的时间和成本。根据塔夫特药物发展研究中心的数据，一款新药的面市从药物发现到获得FDA批准平均大约需要97个月。虽然对专业技术的持续聚焦可以帮助改善时间跨度，但新药研发的成本却仍在持续增加。德勤的数据显示，自2010年以来，12家主要制药公司的获批药物开发成本已经增加了33%，至约每年16亿美元。
研发回报。生物制药研发的生产力至今仍然是一个充满争议性的话题。开发一款成功药物的成本持续增加，但由于报销制度中的不利因素、患者量的降低和企业间的竞争等，新药研发的收入回报环境也不容乐观。虽然我们预计2010 - 2020年的研发回报相对与2000-2010年会有所提高，但实际上二者之间的变化微不足道。此外，影响研发回报重要的不利因素之一在于那些失败的研发产品，特别是那些已经达到后期试验阶段的药物；这些药物的成本每年估计就占到了400亿美元以上。
医生/医院的效率。医疗领域的一项特别挑战，依然是医生的医疗实践明显滞后于新药和新治疗方法的获批。因此，许多医疗领域的机器学习和人工智能专家正不断鼓励主要的医疗服务供应商，让在其工作流程中融入现代的机器学习工具，以使其充分利用收集到的和已发表的海量医疗数据存储。
机器学习和人工智能可有望降低药物发现和医疗实践之间的时间差；与此同时，它们还能对治疗进行优化。例如，从北美放射学会2009年对肝胆放射的研究可见，23%的第二意见会改变诊断结论，而这也是专注于医学影像的机器学习公司有望能解决的领域。此外，那些致力于利用机器学习在基因组层面进行疾病判断的公司，例如Deep Genomics等，正帮助供应商定位，以提供更有效和更有针对性的治疗。
浙公网安备 33010602000006号
智能制造网APP
智能制造网小程序
微信公众号
