一个专家小组讨论了提出个性化，针对性的医疗保健的医学模型的潜力以及潜在的弊端。

Berg Health的联合创始人兼首席执行官Niven R. Narain习惯于被嘲笑，因为他有兴趣将人工智能引入药物开发过程。他说，但事情已经改变了，这要归功于人们对精确医学这一实践日益兴奋。

今天下午，在医药公司创新节上，纳兰与来自西奈山和哥伦比亚大学的行业专家在关于将先进技术应用于医学的主题的小组讨论中发表了讲话。精准医学是一个无所不包的术语，广义上讲是指以更具个性化，针对性的方式治疗患者的想法，而不是采取一种千篇一律的方法来治疗疾病。白宫在今年早些时候宣布了对精准医学的2.15亿美元投资；如果没有别的，它会引起很多炒作。

纳兰说：“这是前所未有的变革时期，”拉开讨论的序幕，该讨论在西奈山的赫斯科学与医学中心举行。“自相矛盾的是，在生物医学研究领域发生变革性变革之时，患者的财务挑战日益严峻。”

Berg Health总部位于波士顿，并得到了硅谷房地产亿万富翁Carl Berg的支持，希望通过融合基因组学方法，减少与药物发现和开发相关的成本和时间（约30亿美元和10多年）。蛋白质组学和人工智能来发现新型药物靶标。（所有这些方法都经过单独尝试，但是Berg希望他的方法能够脱颖而出，因为它结合了各种工具。）Berg希望以合理的价格提供新药，因此对于大多数患者而言，新药并非遥不可及。

对于Berg来说，潜在的障碍似乎是无限的：在医疗保健中，将不同的数据源整合在一起是一场噩梦，更不用说监管协议了。财政激励措施一团糟。大多数医院仍然是按服务收费的，这意味着它们是根据昂贵的测试和程序而不是根据患者的结局获得报酬的。（这种情况开始有所改变，这在一定程度上要归功于医疗补助和医疗保险服务中心的努力，但这不会在一夜之间发生。）

专家组不得不说的是关于精确医学的前景和潜在的障碍：

给我看数据

舞台上的所有专家都同意，收集患者数据的一种来源（例如基因组学）通常并不是那么有用。

西奈山伊坎市基因组学和多尺度生物学研究所所长埃里克·沙特（Eric Schadt）敦促医学界找到更好的与患者互动的方法。对他们的DNA进行测序是不够的：他说，要开发预测模型，研究人员将需要从患者的电子病历，他们的实验室以及程序和药房数据中获取数据。他们还可以通过诸如Apple的HealthKit之类的服务来利用设备中与健康相关的数据流。

诀窍将是为患者提供某种价值以换取该数据，并确保他们以道德的方式使用该数据。沙特指出，我们大多数人都愿意将个人信息移交给Google，以换取精美的搜索引擎和电子邮件服务，而不是进行医学研究。云浮医药VI设计说：“我的Gmail中的内容比我的病历中的更为私人。” “因此，在医学上，我们必须找出必须给某人以使其愿意同意的正确数量的权衡。”

使所有这些成为可能的一项重要进展是，机构审查委员会（IRB）和监管机构在同意和数据共享方面更加清晰，尽管在这方面还有很多工作要做。西奈山神经科学教授埃里克·内斯特勒（Eric Nestler）指出，我们还需要更实质性的法律来保护患者免受歧视：例如，基因反歧视法GINA不能保护人们免受被剥夺人寿保险的侵害，长期护理和残障根据基因测试结果。

我们需要更多的药物疗法吗？

提出的另一个重要问题是药物开发的主题：我们是否需要新的疗法来治疗疾病，还是应该集中精力更好地利用现有疗法？

哥伦比亚大学系统生物学系主任安德里亚·卡利法诺（Andrea Califano）表示，研究人员正越来越多地使用新算法，以使患者的肿瘤与最佳药物治疗相匹配。云浮医药品牌设计公司说：“我们收集了数千种经过FDA批准的研究性化合物，并通过相同的算法运行它们。”

Califano可能会确定不同药物的混合物对某些癌症患者可能有效，而其他药物仅需要单一疗法。这就是他认为精密医学的近期前景：“我们不需要开发很多新药，”他说。“我们应该能够治疗很多不同的癌症。”

但是，纳兰认为，我们需要同时做这两项工作，以重新定位现有药物并开发新药物。他的公司正在努力通过采取差异化的方法来寻找新疗法，他将这种方法称为“生物学至上”。该过程开始于从癌性和健康组织样本中提取生物学数据。然后，该公司使用人工智能来建议可能的药物治疗，并在小鼠中建立模型。

但…一个词：互操作性。

将患者数据汇总在一起的最大挑战是，电子医疗文件中存储的信息无法轻松存储或共享。对于医疗行业的人们来说，这是一场持续的噩梦，部分原因是医疗系统不想让患者（盈利驱动）流失到另一家医疗机构。（查看有关该主题的系列文章。）

当被问及这种情况是否会在不久的将来得到解决以使卫生信息能够标准化时，专家组中的每个人似乎都不是特别乐观。沙特说：“似乎很遥远。” （注：克利夫兰诊所最近将FHIR命名为FHIR，这是应对这场危机的一种方法，是通常情况下无法正常发挥作用的电子健康记录系统的翻译程序，是2016年的重大突破之一。）

因此，小组似乎同意人工智能不是解决系统性问题的捷径。我们需要先汇总数据，然后再将AI与现有工具结合使用。“疾病是要揭开我们不知道的神秘面纱，”纳兰总结道。

更多品牌VI设计作品请点击下面链接：