高盛AI 生态报告：人工智能可解决药物研发、医保控费和医院运行效率难题.pdfVIP

高盛 AI 生态报告：人工智能可解决药物研发、医保控费和医院运行效率难题 钛媒体注：2016 年年底，美国高盛集团发布了一份长达 99 页的重磅人工智能 报告：《人工智能、机器学习和数据将推动未来生产力的发展》（AI, Machine Learning and Data Fuel the Future of Productivity）。报告围绕人工智能，阐 述了人工智能的生态及未来，从医疗、农业、金融、零售业、能源业等领域描 绘了人工智能对其带来的影响。 以下是动脉网对其翻译和整理之后的全文呈现。 这份报告认为，所谓 AI ，即是制造以人类智能的方式学习并解决问题的智能机 器和计算机程序的科学工程。该领域包括自然语言处理与翻译、视觉感知与模 式识别，以及决策制定等。 近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的应用领域极速扩张，而数据、更快的硬件、更好的算法则是推动人工智 能的进展的三大基石。下文中，动脉网为您节选了报告中关于人工智能对医疗 领域的影响，带您一窥未来医疗的发展方向。报告指出，到 2025 年，医疗年 均成本预计可节约 540 亿美元。 机器学习在医疗领域中有广泛的应用前景。医疗行业需要丰富且定义明确数据 集，也需要随时随地对患者进行监督，而医疗结果也存在着极大的可变性。 机器学习可为其中不少的子行业提供获得高额回报的潜力，如药物发现、测试 分析、治疗优化和患者监护等。随着人工智能和机器学习的不断整合，人们将 有望在新药研发的过程中显著地实现“去风险” ，不但将节约每年约 260 亿美元 的研发成本，同时还将提高全球医疗信息领域的效率，节约的成本价值超过每 年 280 亿美元。 机遇何在? 药物发现与开发。在药物开发过程中结合机器学习，有着提升开发效率的潜 力。机器学习不但可以加速时间范围，还可以提高到达后期试验阶段药物的成 功概率（probability of success, POS）。Medicxi Ventures 的合伙人 David Grainger 认为，错误发现率（False Discovery Rate, FDR）是一个统计学现 象，而避免 FDR 则有可能将后期试验阶段的风险减半。 此外，在药物发现的早期阶段中，现有虚拟筛选的方法名为“高通量筛选” ，而 它非常容易受到 FDR 的影响。如果可以将第 3 阶段试验的风险减半，就可以 为大型制药公司节约数十亿美元的成本，影响其超过 900 亿美元的研发经费并 带来有意义的回报，使其能够腾出资源集中于寻找更有潜力的机会。 备注：虚拟筛选(virtualscreening，VS)也称计算机筛选，即在进行生物活性筛 选之前，利用计算机上的分子对接软件模拟目标靶点与候选药物之间的相互作 用，计算两者之间的亲和力大小，以降低实际筛选化合物数目，同时提高先导 化合物发现效率。 虽然与后期试验相关的巨额费用往往侧重于临床试验的设计元素，但我们认 为，将 AI/ML 应用于优化后期阶段在选择标准、规模和研究长度等方面的决 策，也可以实现有意义的效率提高。 医生/ 医院的效率。由于监管和分裂等原因，美国医疗体系在历史上对新技术的 采用一直十分缓慢。除了需要应对系统的挑战，从药物发现到医生和诊所将新 药应用于医疗实践之间的过程往往十分漫长且没有连续性。 美国市场研究咨询机构透明市场研究(Transparency Market Research)公司的 数据显示，美国政府最近发布的一系列纳入《美国复苏与再投资法案》的法 令，已经推动了诸如电子健康记录等领域的快速增长，全球市场预计将在 2023 年达到约 300 亿美元。 数据的聚合，不断改进的数据捕获技术，以及独立医院的不断减少等，已经为 数据的大规模利用创造了一个前所未有的机遇。这一切也将提高机器学习算法 和人工智能的各项功能，以在医疗领域的各个方面改善速度、降低成本和提高 精度。 总部设在伦敦的谷歌 DeepMind 正与英国国民健康服务(National Health Service, NHS)合作开发一款旨在监测肾脏疾病患者的 APP ，以及一个前身名 为“患者抢救” 、旨在支持诊断决策的平台。 任何 AI/ML 系统的关键都是海量的数据，因此 DeepMind 和 NHS 达成了一个 数据共享协议，NHS 将为 DeepMind 提