新加坡国立大学杨潞龄医学院（NUS Medicine）与德国罗斯托克大学医学中心生物统计学和医学及衰老研究研究所的研究人员合作，研究了如何利用先进的AI工具，如大型语言模型（LLMs），来简化对衰老干预措施的评估并提供个性化建议。该研究成果已发表在权威评论期刊《衰老研究评论》上。
衰老研究产生了大量数据，使得确定哪些干预措施（如新药物、饮食变化或运动方案）是安全有效的变得困难。本研究探讨了AI如何更高效准确地分析这些数据，并提出了一套全面的标准，以确保AI系统能通过分析复杂生物学数据提供准确、可靠且易于理解的评估结果。
研究人员确定了有效基于AI的评估所需的八个关键要求：
- 评估结果的准确性。将评估数据质量的准确性。
- 有用性和全面性。
- 解释性和可解释性。结果及其解释应清晰简洁。
- 特别考虑受干预影响的因果机制。
- 在整体背景下考虑数据：
- 效力和毒性，以及存在大治疗窗口的证据；
- 在“跨学科”环境中进行分析。
- 实现可重复性、标准化和协调性的分析（和报告）。
- 强调多样化的纵向大规模数据。
- 强调与已知衰老机制相关的结果。
在提示中告知LLMs这些要求可以提高其生成建议的质量。
教授Brian Kennedy，NUS Medicine生化与生理系及健康长寿转化研究项目共同负责人表示：“我们使用现实世界中的例子测试了AI方法，如药物和膳食补充剂。我们发现，通过遵循特定指南，AI可以提供更准确和详细的见解。例如，在分析雷帕霉素（一种常用于研究促进健康老龄化的药物）时，AI不仅评估了其效力，还提供了具体背景下的解释和注意事项，如可能的副作用。”
教授Georg Fuellen，罗斯托克大学医学中心生物统计学和医学及衰老研究研究所主任，也是该研究的共同负责人，补充道：“这项研究的成果可能具有深远影响。对于医疗保健而言，告知AI关于良好响应的关键要求，可以使它找到更有效的治疗方法并使其更安全。总体而言，AI工具可以设计更好的临床试验，并帮助为每个人量身定制健康建议。这项研究是迈向使用AI改善所有人健康结果的重要一步，特别是在他们变老时。”
未来，研究团队将集中于大规模研究，以确定如何最佳地提示AI模型进行与长寿相关的干预建议，评估其在广泛精心设计的基准测试中的准确性和可靠性。验证这些AI系统的准确性尤为重要，因为长寿干预措施可能会被大量健康人群采用。前瞻性研究需要证明AI评估可以在人类试验中准确预测成功结果，为更安全和更有效的健康干预铺平道路。
研究团队希望利用他们的发现使健康和长寿干预更加精确和普及，最终提高生命质量和寿命。研究人员、临床医生和政策制定者之间的合作将是建立稳健的监管框架的基础，确保AI驱动评估的安全和有效使用。
(全文结束)
