無需真人安慰劑機器學習法推算虛擬對照組數據

藥物開發是艱困耗時的過程，也需要投入大量資金及人力、設備，研發時間平均10年，其中臨床試驗就占去7年左右，更不用說處方藥的投入金額可能高達20億歐元。不僅如此，臨床藥物試驗可能涉及的倫理問題逐漸受到重視，在隨機對照臨床試驗中，接受安慰劑的組別其受試者權益應有足夠的保護。

德國拜耳集團（Bayer）與芬蘭 Aalto 大學合作，在臨床試驗中應用人工智慧，減少或消除某些試驗中對於對照組的需求，方法是從醫學資料庫中創建一個「虛擬」對照組，如此便能有更大比例的患者接受研究藥物、更少比例的患者被分配到安慰劑或標準治療。

拜耳看重芬蘭擁有高品質健康數據

拜耳這項為期三年的「Future 臨床試驗（Future Clinical Trials，FCT）」計畫，選擇與 Aalto 大學及赫爾辛基大學醫院合作，於2021年6月啟動，重點是讓患者更容易參與藥物試驗。除了對患者進行遠端監控以減少就診次數之外，正在進行使用人工智慧提高臨床藥物研究的安全性及效率評估。

Aalto 大學及芬蘭人工智慧中心（FCAI）教授 Harri Lähdesmäki 表示，使用人工智慧的醫療數據庫形成虛擬控制組，對照組就不需要招募患者，同時也提升了藥物發展的成本效率。

拜耳集團數據科學家 Jussi Leinonen 則指出，目標是讓基於 AI 的演算法識別出與藥物副作用相關的罕見訊息，同時提高靈敏度；目前也仍在尋找減少臨床試驗所需患者人數的可能性，同時確保試驗的安全性及可靠性。

人工智慧仍無法做出獨立決定

臨床研究的起始點是開放性，各方合作方式及流程監測都可以接受審核及驗證，這些特點對於 AI 研究人員而言同樣重要，重視資料與演算法的公開性，而 FCAI 目前的研究領域之一是開發人工智慧的方法來尋找適合藥物成分的分子。Harri Lähdesmäki 說明，研究人員正試圖找到以往必須透過數百萬種不同藥物分子進行實驗的替代解決方案，取而代之的是機器學習方法，可以提出建議某些分子值得在實驗室環境中進行更深入的探索，將使藥物開發能夠以更少的資源、更快的方式完成。

Jussi Leinonen 同時也解釋，人工智慧不會在臨床試驗中完全取代人類，在不久的將來，人工智慧本身不會做出獨立決定，而是會識別需要做出反應的情況或將反應引導至某個方向，這同樣適用於醫師面對患者時所使用的人工智慧技術。

延伸閱讀：50 年未解之謎，蛋白質摺疊在 AI 協助下終撥雲見日？

參考資料：
1. https://pharmaphorum.com/news/bayer-led-project-on-ai-in-trials-eyes-virtual-placebo-groups/?utm_source=pharmaphorum+Daily+Newsletter&utm_campaign=c1f4ca4b4a-EMAIL_CAMPAIGN_2019_09_24_10_10_COPY_01&utm_medium=email&utm_term=0_a54496134b-c1f4ca4b4a-444274614
2. https://www.aalto.fi/en/news/bayer-aalto-and-hus-expand-collaboration-artificial-intelligence-to-support-clinical-drug