肥胖是一种复杂且慢性的疾病，全球已有超过10亿人受其影响，这一数字预计到2035年将几乎翻倍。
认识到对创新解决方案的迫切需求，诺和诺德（Novo Nordisk）成立了转型预防部门（Transformational Prevention Unit, TPU），旨在开发基于科学且商业可扩展的解决方案，以预测和预防肥胖及其相关并发症。
Lykke Pedersen博士是TPU的临床数据科学专家兼产品开发者。通过整合真实世界数据与先进的组学和基因组学技术，TPU力求识别高风险个体，并提供涉及生活方式调整和行为改变的定制化干预措施。这一精准医疗方法旨在增加无肥胖寿命，并降低如2型糖尿病和心血管疾病等肥胖相关疾病的发生率。
Rhianna-lily Smith (RLS)：
人工智能（AI）如何被用来预测和预先应对肥胖风险？
Lykke Pedersen博士 (LP)：
人工智能可以用来确定谁有较高的肥胖风险以及其可能引发的后果。
重要的是，我们不仅关注肥胖本身，还关注伴随而来的风险。众所周知，如果一个人患上肥胖症，他也很可能面临相关的并发症。因此，我们同时关注这两方面。
在TPU，我们使用AI通过分析真实世界数据——即日常生活中可测量的因素——以及生物数据（如组学和基因组学）来预测谁的风险最高，从而深入了解个体情况。
RLS：
通过这项工作，你们希望实现哪些具体成果？
LP：
在TPU，我们的主要目标是增加人们无肥胖寿命的年限。我们希望防止个人发展为肥胖，并尽可能延迟肥胖相关疾病的发作。
通过利用AI及早识别高风险人群，我们希望能够实施有针对性的干预措施，促进更健康的生活方式，并减轻与肥胖相关的长期健康负担。
RLS：
诺和诺德采用的精准医疗方法如何根据个人需求量身定制干预措施，特别是在肥胖及相关健康问题方面？
LP：
我们希望预测患肥胖及其并发症的风险，但我们也希望在此基础上为您提供干预措施，这些干预措施需要针对您个人的需求——这是基于AI的分析。
例如，如果AI模型确定增加每日体力活动对您的健康影响最大，那么建议可能是每天多走几步。对于其他人，重点可能是优化营养、改善睡眠质量、管理压力或解决其他生活方式因素。由于我们的模型不断整合新数据——例如您的健康指标或生活习惯的变化——您的个性化风险档案和建议也会随之演变。
RLS：
能否描述一下你们工作中使用的数据类型，以及如何分析这些数据以预测肥胖？
LP：
在我们的工作中，我们使用多种数据类型来构建全面的肥胖风险档案。这包括真实世界数据——您可以轻松测量或跟踪的内容。我们还整合了多样化的生物数据集，通常称为“组学”，包括基因组学、蛋白质组学、代谢组学等，具体取决于个人可用的数据。
重要的是，我们的方法灵活多样，不局限于任何单一类型的数据。我们认识到，并非所有人都愿意或能够提供血液样本、唾液测试或活检。因此，我们也使用更简单、非侵入性的输入——例如针对生活方式、健康史和习惯的目标问卷回答——来评估风险。
通过结合这些多层次的信息并应用先进的AI算法，我们可以分析导致肥胖风险的复杂模式和相互作用。
RLS：
在开发可扩展的商业解决方案以预防肥胖方面，你们面临的主要挑战是什么？如何克服这些挑战？
LP：
最大的挑战之一是确保我们开发的技术真正具有可扩展性——即它们可以在不同人群和环境中广泛应用，同时不会失去准确性或有效性。可扩展性需要强大的数据基础设施和能够高效处理大量多样化数据集的模型。
另一个关键挑战在于数据集成和一致性。有许多有价值的数据集来自不同的研究和队列，但这些数据往往包含不同类型的内容——例如，一个队列可能有详细的组学信息，而另一个队列只有生活方式或临床数据。弥合这些差距并创建能够利用不同队列纵向数据的可转换模型，对于建立可靠的预测和干预至关重要。
目前，我们通常使用简单的指标（如体重和身高）来计算BMI，这是一个有用但有限的指标。然而，我们的目标是超越静态快照，预测个人在未来数年甚至整个生命周期内的肥胖风险。这需要连贯、高质量的数据，捕捉健康和行为随时间的动态变化。
我们还面临全球数据缺口的问题。我们依赖的许多数据来自特定地区或人群，因此需要纳入来自世界各地的不同数据，以确保我们的解决方案适用于所有人。
(全文结束)
