测试新药是一种缓慢、昂贵且耗费人力的过程。而人工智能有可能颠覆临床试验过程的每个阶段——从符合条件的患者到研究，再到监测依从性和数据收集。
（图源：Labiotech）
惊人的数据
今年，美国将有170多万人首次被诊断出患有癌症。与此同时，超过10,000项临床试验将招募成千上万的新患者，用于研究拯救生命的实验性癌症药物。
然而，不到5％的癌症患者最终参加了试验。
不难猜出为什么。对于像癌症这样的晚期疾病，当现有治疗形式已经失败时，患者可能只参加药物试验。最重要的是，并非所有被诊断患有无法治愈的癌症的患者都有资格参与——单是要发现他们是否符合资格对许多人来说也是一项艰巨的任务。
对于那些符合条件的人来说，参加试验需要高成本、时间充裕，而基本的数据收集方法会使问题更加复杂。
对于其他利益相关者而言，这一过程效率低下：药物试验平均近十年，耗资高达数十亿美元。许多试验都因登记问题而失败。
价值65亿美元的临床试验市场，需要改造。
AI可以极大地简化笨重的临床试验过程，从用于远程监控的物联网，到用于EHR处理的机器学习，到用于数据保护的基于AI的网络安全。
为什么更快的试验对制药公司至关重要？
虽然目前还没有全球药物研发相关支出和具体时间表的统一数据库，但研究显示，临床试验过程平均需要7.5年，每种药物的成本在1.61亿美元到20亿美元之间。
临床试验分多个阶段进行，III期试验需要更多的患者，并且比I期试验显着更昂贵和复杂。
另外，只有十分之一的药物进入临床试验的第一阶段，并将获得FDA的批准。
临床试验会由于各种原因而失败，包括未能招募足够的参与者、患者中途退出、意外和严重的副作用以及不良的数据收集方法。而越是到后期受到试验失败因素的影响，损失和代价就会越大。
总部位于瑞士的诺华公司将其2017年第一季度的净收入下降了15％，主要是因为用于治疗心力衰竭的III期药物失败。美国制药公司Tenax Therapeutics的主要药物在III期试验中失败两个月后，首席执行官引咎辞职，据报道该公司正在考虑合并或出售。
进入该领域的小型生物制药和制药初创公司的失败成本更为明显。失败的风险是绝对的，特别是当他们寄希望于较为单一的产品时。
与药物研发相关的高成本最终会影响医生和消费者的医疗保健价格。
AI如何改变临床试验的每个阶段
目前的临床试验路径很容易失败，而且往往低效。许多临床研究仍然在用最基本的和过时的方法进行数据收集和验证。
人工智能技术有可能改变临床试验过程的每个阶段，从发现试验案例到注册到药物的依从性。
找到一个临床试验
将正确的试验与合适的患者相匹配，对于临床研究团队和患者来说都是一个耗时且具有挑战性的过程。
根据Cognizant关于招募预测的报告，大约80％的临床试验未及时跟上时间表，并且大约三分之一的III期临床研究终止是由于招募困难。
就上下文而言，目前美国有超过18,000项临床研究正在招募患者，其中仅仅是针对乳腺癌的研究就包括约1,000项。
如果医生知道正在进行的试验，患者可能偶尔会得到医生的试用建议。否则，通过ClinicalTrials.Gov进行搜索的责任会落在患者身上。
匹配患者和试验
而利用人工智能软件，可从患者的医疗记录中提取相关信息，将其与正在进行的试验进行比较，并建议匹配研究。
事实上，从医疗记录中提取信息——包括电子健康记录（EHR）和实验室图像，已经成为了人工智能在医疗保健领域最受欢迎的应用之一。
但是，该技术将不得不应对诸如非结构化医疗数据和不相互通信的不同数据源之类的挑战。
EHR互操作性挑战
尽管联邦政府在过去十年中花费超过28亿美元用于数字化电子健康记录（EHR），但是没有用于患者医疗数据的集中存储库或标准格式。事实上，患者很难从他们访问过的所有医疗机构获取自己的记录。
HIPAA是一项保护患者医疗数据和隐私的法律，通常在患者签署一般同意书后，允许通过姓名和SSN号码等个人身份信息共享患者数据。这使得AI初创公司可以分析这个医疗数据集，并在几分钟内并标识出符合条件的患者，否则这个过程需要数月。
但是，互操作性问题——即跨机构和软件系统轻松共享健康信息的能力——仍然存在。
治疗同一患者的不同医院和提供者可能不是使用相同的EHR软件来输入数据。在临床试验中，研究人员仍将特定患者记录的请求传真给不同的医院，然后通过传真或电子邮件发送信息，通常作为图像（包括手写笔记或PDF文件的图像）。
这对AI技术构成了挑战。麻省理工学院、哈佛大学、约翰霍普金斯大学和纽约大学的研究人员进行的一项研究强调：
“标准的自然语言处理任务，例如情绪分析和词义消歧，在临床笔记中是很难的，这些笔记往往拼写错误，还有首字母缩略词，复制粘贴的痕迹很重。”
健康AI公司Flatiron Health在专利申请中进一步解释了这一点：“由于传输方法，结构化数据也可能变得非结构化。例如，传真或转换为只读文档（如PDF）的电子表格会失去其大部分结构。”
这种过时的手动系统，使临床试验研究人员难以收集和确定患者资格所需的准确数据。
Mendel.ai正在开发机器学习算法，以从数字记录中提取信息，并使患者与最适合他们需求的持续试验相匹配。该创业公司在订阅的基础上向患者收费，前3个月仅收费99美元就可以帮忙处理医疗记录中的所有数据。
但不久之后Mendel.ai网站上的信息和上传医疗记录的选项不再可用，而且没有任何的扩张和额外融资迹象。
其他初创公司，如Antidote.me，正在使用机器学习来简化ClinicalTrials.Gov试验中列出的“包含/排除”标准中的术语。
在B2B方面，初创公司现在正在使用深度学习和自然语言处理，通过直接与卫生机构合作，实现临床试验匹配的自动化。
通过收购来获取患者数据
Flatiron Health通过在2014年收购一家专注于肿瘤学的EMR公司Altos Solutions解决了互操作性问题。
当时，Flatiron正在向医疗保健和生命科学公司出售其云分析平台，而Altos的EMR正在被佛罗里达癌症专家等肿瘤学机构使用。该交易使Flatiron可以直接访问原始患者数据，而不是仅仅依赖于访问第三方EMR。
超过2,500名临床医生使用Flatiron的OncoEMR，据报道有超过200万的患者记录可用于研究。
罗氏控股于2018年2月以19亿美元的价格收购了Flatiron，成为人工智能最大的并购交易之一。
与罗氏公司近期收购Foundation Medicine和Viewics相似，这凸显了罗氏对重新定位为机器学习驱动的制药公司的兴趣，并强调数据。
充满挑战
当患者选择适当的临床试验时，入组程序不会结束。
相反，患者必须访问参与的网站，看看他或她是否有资格参加试验，通常是在与临床研究团队的研究调查员进行初步电话筛选之后。
试验列出了每位患者必须符合才有资格参加研究的纳入和排除标准。这些术语常常充斥着医学术语，可以在下面的目前招募乳腺癌患者的II期试验的资格标准截图中看到。
使用AI从患者医疗记录中提取信息的一些解决方案，可以通过自动验证某些包含和排除标准来帮助简化注册过程。
AI如何帮助开药和确定药物依从性
当患者不遵守规则服用其他药物时，研究必须招募新患者，并且干扰研究结果的准确性，这样又会产生费用。
临床研究赞助商迫切希望改变这一点，并投资于技术。
除了使用移动技术向患者发送药物提醒，制药公司辉瑞和诺华一直在投资物联网和“可摄入的传感器”来跟踪药物摄入量。在2017年第一季度，Merck Ventures参加了一项价值1450万美元的B系列产品，用于开发能联网开药的Medisafe。
位于纽约的移动SaaS平台AiCure使用图像和面部识别算法来跟踪依从性。患者使用他们的手机拍摄他们吞下药丸的视频，而AiCure确认合适的人服用了正确的药丸。
在国家健康研究所和国家药物滥用研究所等一系列拨款之后，AiCure继续筹集超过2700万美元的股权资金。
上图显示了AiCure监测药物依从性（左）和物体分形识别（右）的专利之一。
此类别中的另一家创业公司，Khosla Ventures支持的Catalia Health，正在开发使用AI的医疗保健伴侣和教练。
Catalia希望通过询问具体问题、设置提醒以及为每位患者定制对话，来强制促成患者的行为改变。该公司的目标之一是了解患者可能错过剂量的原因。Catalia的机器人助手本质上是一款带触摸屏的平板电脑，但据报道，该创业公司也致力于语音激活。
AI助手成功帮助患者改变生活方式的能力在很大程度上取决于患者每天与其进行互动的意愿，这些可以使用AI-IoT技术进行监控。
AI-IoT提供持续的每日反馈
一种新兴趋势是将生物传感器与AI融合。
为此，一些初创公司正在开发自己的监控设备和传感器，然后添加机器学习来编译数据。其他人只开发人工智能软件，并与第三方家用监控设备集成。
下面的市场地图显示了生活方式监控和AI-IoT领域的一些创业公司：
总部位于以色列的ContinUse Biometrics公司正在开发自己的传感技术。该创业公司监测20多种生物参数——包括心率、血糖水平和血压，这些是药物试验期间测量的标准生物识别技术——并使用AI来发现异常行为。它在2018年第一季度筹集了2000万美元的B轮融资。
Biofourmis正在开发一种人工智能分析引擎，该引擎可从FDA批准的家庭监测设备中提取数据，并预测患者的健康结果。
临床试验中的AI-IoT具有实时、持续监测患者生理和行为变化的潜力，可能降低现场检查的成本、频率和难度。
苹果如何颠覆临床试验
小型初创公司进入临床试验的最大障碍是这些技术相对较新，而且行业适应缓慢。
然而，像苹果这样的科技巨头已经成功地为合作伙伴提供了以医疗保健为重点的计划。 苹果已经解决了医疗保健信息流中的一些瓶颈问题，允许研究人员使用其API构建AI应用程序。
特别是，苹果正在围绕其两个设备构建临床研究生态系统：iPhone和Apple Watch。
数据是AI应用程序的核心。通过这些产品，Apple可以为医学研究人员提供两种患者健康数据流，这些数据直到现在还不易获取。
苹果的替代大数据流
自2015年以来，Apple推出了两个开源框架——ResearchKit和CareKit，以帮助临床试验招募患者并远程监控他们的健康状况。
该框架允许研究人员和开发人员创建医疗应用程序来监控人们的日常生活。
例如，杜克大学的研究人员开发了一款Autism＆Beyond应用程序，该应用程序使用iPhone的前置摄像头和面部识别算法来筛查孩子的自闭症。
同样，近10,000人使用mPower应用程序，该应用程序使用手指敲击和步态分析等练习来研究已经同意与研究团体分享数据的帕金森病患者。该应用程序的其他变体——如适用于Android用户的HopkinsPD——使用机器学习来处理从智能手机收集的数据，以为患者创建关乎病情严重性的分数。
颠覆EHR共享
今年1月，苹果宣布iPhone用户现在可以通过iPhone的Health应用程序访问参与机构的所有电子健康记录。
这项功能被称为“健康记录”API，是AI医疗保健创业公司Gliimpse在2016年被苹果收购之前所做的工作的延伸。
根据其现已关闭的网站上的信息，Gliimpse的“核心技术将医疗文档转换为数据，轻松地允许搜索和过滤最重要的图表。”这符合苹果开发的健康记录功能，只需一个易于使用的界面，用户就可以找到他们在过敏、病症、免疫、实验室结果、药物、程序和生命体征方面所需的所有信息。
苹果还与Cerner和Epic等流行的EHR供应商合作解决互操作性问题。这些合作伙伴关系的一个潜在最终目标可能是双向数据流，其中EHR供应商被激励将患者生成的数据集成到苹果软件中。
“超过500名医生和医学研究人员使用苹果的ResearchKit和CareKit软件工具进行临床研究，涉及300万参与者，其症状包括自闭症和帕金森病，以及手术后家庭康复和物理治疗。”
6月，苹果为开发人员推出了Health Records API。用户可以选择与第三方应用程序共享数据，医学研究人员为疾病管理和生活方式监控开辟了新的可能性。
这些数据对于临床研究意味着什么？
苹果处于新的医疗保健数据生态系统的中心，可以提供以前无法获得的日常数据，同时还收集难以合并的EHR信息。
当涉及到使用AI和机器学习进行早期诊断，推动药物设计决策，招募合适的患者进行研究以及远程监控患者在整个研究过程中的进展时，可能性似乎无穷无尽。
苹果在这个领域的一个潜在竞争对手是谷歌。谷歌的项目旨在招募10,000名患者并在5年内监测他们的日常生活，最终可能有益于临床试验。
许多试验有实验组（获得研究药物的患者）和对照组（获得安慰剂药物的患者）。对照组的要点是建立一个基线，与实验组的症状进行比较。患者通常不知道他们服用的是哪种药物。
患者生成的数据 - 如项目基线正在收集的数据 - 可以消除对控制组的需求，提供控制所需的数据并最终减少招聘瓶颈。然而，该项目仍处于早期阶段，这些好处可能未来几年内还难以凸显出来。
AI单枪匹马仍不能掀动医疗革命
医疗保健行业正引领着一股人工智能应用的潮流，使用人工智能软件设计新药成为了新机遇。例如，制药巨头默克公司与创业公司Atomwise的合作，以及葛兰素史克与Insilico Medicine合作。
但实际临床试验过程中的AI采用仍处于早期阶段。
与其他医疗保健领域相比，较少的创业公司直接针对临床试验领域的客户。在临床试验的许多方面，在AI的应用需求之前还得先展开数字化行动。
临床试验中最大的障碍之一是克服惯性，以彻底检查不再有效的当前流程。
另一个挑战是准确理解AI可以提供哪些帮助以及它目前的局限性。研究人员必须围绕可实现的短期目标集中讨论，而不是期待人工智能使所有问题消失。
目前，产生新的数据来源并将数据交到患者手中——正如Apple所做的那样——对临床研究来说是革命性的，正如新的AI应用程序一样，例如为帕金森病患者创建严重程度评分。
