丽莎·莫尼梅克（Sama首席技术官兼首席产品官）在Tech & AI LIVE伦敦大会（虚拟会议）上发表了演讲，讨论了人工智能（AI）和机器学习如何彻底改变临床试验。莫尼梅克首先解释了传统药物开发的过程，这通常涉及多个阶段的临床试验，以确定新药的安全性和有效性。她指出，许多药物需要几十年才能上市，强调了大多数治疗方法从初步研究到最终批准的漫长而复杂的旅程。
莫尼梅克以COVID-19疫苗的快速开发为例，说明了当大量资源和技术结合解决全球挑战时，可以实现什么。“我们从几十年缩短到了一年就能将药物推向市场，”她强调说，Sama的目标是通过利用先进技术使这种加速的时间表更加普遍。
使用AI分析和管理大量数据集
莫尼梅克解释说，临床试验中一个关键问题是数据量的不断增加。这一数据爆炸现象在许多行业中都有所体现，增加了有效处理和分析数据的需求。在临床试验中，数据范围从传统的医疗记录到可穿戴设备（如智能手表）提供的连续监测数据。挑战不仅在于收集这些数据，还在于以一种能够指导决策的方式理解所有数据。“我们必须能够聚合和清理数据以确保准确性，”莫尼梅克强调。AI在这里可以发挥关键作用，它可以帮助识别缺失的信息、检测不一致之处，并比人类研究人员更快地分析复杂的数据集。Sama在其产品中引入了机器学习模型，帮助临床试验专业人士实时跟踪和纠正数据，防止错误延误试验。
AI在患者监测和预测分析中的角色
莫尼梅克指出，AI可以预测患者行为并标记潜在风险。例如，Sama的算法可以分析历史和正在进行的试验数据，根据实验室结果和反应模式识别出有早期退出或不良事件风险的患者。通过实时向临床医生展示这些风险，AI帮助医疗专业人员做出明智的调整，从而提高患者安全性和数据质量。
她描述了Sama的AI驱动“智能建议”功能如何工作，为临床医生提供基于患者数据的预测和置信度评分。“我们正在将预测转化为他们可以采取的行动，”莫尼梅克解释道。在实践中，这可能意味着提醒临床医生注意四位高风险的患者，以便他们可以主动干预。
确保数据质量和合规性
临床试验中最大的挑战之一是确保数据的准确性和完整性。莫尼梅克强调，AI可以通过识别重复条目、缺失数据点或不同来源之间的不一致来提供帮助。她还讨论了医疗保健领域的监管环境和对完全自主AI决策的谨慎态度。虽然AI可以为临床医生提供洞察和预测，但最终决定始终由人类做出。“AI支持决策，但最终决定总是由人类做出，”她解释说，Sama通过确保AI仍然是增强人类专业知识的工具而不是替代品，遵守监管界限。
展望未来：医疗保健AI的趋势和进展
当被问及未来趋势时，莫尼梅克对生成式AI和专为医疗应用定制的大规模语言模型（LLMs）的快速发展表示乐观。“我们看到在改进医疗专用模型以更自然地与数据交互方面取得了突破，”她指出。这些进展使AI能够在减少预编程的情况下进行更多的探索性工作，扩大了解决问题的范围。
莫尼梅克还强调了在不同医学领域应用AI的差异。例如，肿瘤学拥有大量的历史数据，这使得开发预测模型更容易。相比之下，罕见病由于患者数据有限，带来了更复杂的挑战。她鼓励关注寻找适用于稀缺数据领域的AI解决方案，认识到其中存在的独特机会和困难。
莫尼梅克的主旨演讲全面展示了AI如何重塑临床试验并加速药物开发。通过提高数据质量、预测患者风险和支持决策，AI有望更快地将拯救生命的治疗推向市场。通过持续的进展和合作，莫尼梅克相信该行业在未来几年内可以取得重大突破。
(全文结束)
