在革新人类健康的竞赛中，人工智能工具正在加速药物发现和生物标志物识别，然而人类临床验证的时间线仍然是线性的。在精准医学世界会议上，长寿与AI领域的顶尖专家讨论了当前造成医疗干预速度落后于指数级加速的发现管线的障碍。
标准化危机
巴克研究所外部战略与合作伙伴执行主任 Sherry Zhang
首先，我们需要一个标准化的“什么是健康寿命”的定义。之后才能解决如何测量它。这是我从我们接触的每个人——临床医生、政策制定者、个人或生物黑客——那里看到的情况：每个人的定义都不同。为了最终获得可计算、可获取、可测量的结果，我认为健康寿命的定义需要首先标准化。
多样性与规模问题
Alethios 首席执行官 Zeenia Framroze
就我而言，我会专注于非常大的——不一定需要分布式——研究设计，纳入多样人群并捕获多模态数据。我们可以收集很多不同类型的数据。现在我们可以提出更好的问题，进行更好的分析。但是，人们必须能够参与这些试验，我们需要提出更多问题，测量更多指标，而不仅仅是生物标志物。这实际上是一种代表性，因为一个人可能会根据其所处的环境给出不同的回答。
安全性试验瓶颈
巴克研究所研究员 Nathan Price
我们挖掘文献、推动个性化、深化研究的能力正随着AI工具呈指数级上升，但许多事情并没有加速。例如，我们进行安全性试验的能力并未呈指数级增长。我们在分布式试验等方面取得了一些进展，但还需要一系列连续的事情发生。作为一个群体，我们需要思考怎样才能真正大规模地看到健康寿命的突破，并认识到实现这一目标必须打破的障碍。
因果关系障碍
Vivodyne 联合创始人兼首席执行官 Andrei Georgescu
目前，在基因证据医学中识别潜在靶点的前沿方法是使用全基因组关联研究。这类研究着眼于患者中某些基因和标志物的表达与疾病之间的关联。真正的困难在于我们缺乏因果关系。我们不知道A导致B；我们只知道A和B常常同时出现。
有如此多的信号通路和反馈补偿机制在活跃。因此，在事后分析中，从这些数据中找出某个特定标志物单独导致某种表型的因果关系非常困难，尽管疾病与所有这些看似驱动的生物标志物之间存在大量关联。
精准医学中AI的前景
PMWC的大多数专家一致认为，只有当行业能够对临床管线进行现代化改造以匹配其发现引擎时，AI时代才能兑现其增加健康寿命的承诺。不同领域取得进展的速度还有待观察。
回复经过长度和清晰度编辑。
【全文结束】